---
title: "對數損失（Log Loss）"
slug: log-loss
language: zh-TW
source: https://aiterms.tw/terms/log-loss
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 模型訓練, 模型評估, 神經網路, 統計方法, 最佳化, AI基礎, Python程式, 數學基礎]
ipas_term: false
---

# 對數損失（Log Loss）

> **你有沒有看過分類模型明明答對了方向，卻很自信地答錯？**
> 你可以把對數損失想成，模型答錯還答很滿時會被重罰的分數。
> 它其實就是看預測機率和真實標籤差多遠的損失函數。
> 在二元分類和機率預測裡，它很常用來管模型有沒有亂自信。
>
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **對數損失 vs 交叉熵損失**
> 兩者在很多分類問題裡幾乎是同一套思路。
> 實務上常因情境不同而交換使用。
>
> **對數損失 vs 準確率**
> 準確率只看對錯，對數損失還會看你有多自信。
> 一個看答案有沒有對，一個看你答題的態度。
>
> **最關鍵的區別：** 準確率看對錯，對數損失看機率品質。
>
### 記住這句就好
> 答錯還很自信，分數會掉很慘。
>
### 實際案例
> **垃圾郵件分類**
> 模型如果把垃圾信判成正常信，還給出 99% 把握，對數損失會重罰這種錯法。
>
> **醫療風險預測**
> 醫療模型如果對高風險病人很肯定卻判錯，對數損失能提醒你別只看對錯，還要看信心。
>
### 算法與應用
> 它會對真實類別的預測機率取對數，再把錯誤的自信程度放大懲罰。
> 預測越接近真實答案，損失越小；越自信地答錯，損失越大。
> 這讓模型在訓練時不只追求答對，還會追求機率校準。
>
### 情境判斷
> **Q1（直覺題）： 模型把正類判成 0.99，結果其實是負類，這種錯誤會被怎麼看？**
>
> → 會被重罰，因為它不只錯，還錯得很自信。
>
> **Q2（判斷題）： 如果一個分類器準確率很高，對數損失就一定很好嗎？**
>
> → 不一定，因為它可能只是猜對很多，但對錯誤案例非常自信。
>
### 常見問題
> **Q：對數損失和交叉熵有什麼關係？**
> 在二元或多類分類裡，它們常被視為同一類目標函數，只是表達方式略有不同。
>
> **Q：為什麼對數損失會懲罰自信的錯誤？**
> 因為這種錯誤代表模型把機率分配得很離譜，應該被比普通錯誤更嚴重地修正。
>
> **Q：對數損失可以用在回歸嗎？**
> 通常不適合，它主要是給分類和機率預測用的。
>
### 相關術語
> - **交叉熵損失**：這是最常拿來一起比較的概念。
> - **損失函數**：先懂大類，才知道對數損失在裡面扮演什麼角色。
> - **S 型函數**：二元分類的機率輸出常和它一起出現。
> - **準確率**：一個看對錯，一個看機率，兩者常要一起看。

---

來源：https://aiterms.tw/terms/log-loss
快查頁：https://aiterms.tw/terms/log-loss
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-log-loss