scikit-learn逻辑回归中的损失函数代码是：
# Logistic loss is the negative of the log of the logistic function.
out = -np.sum(sample_weight * log_logistic(yz)) + .5 * alpha * np.dot(w, w)
但是，它似乎与对数损失函数的常见形式不同，后者的内容如下：
-y(log(p)+(1-y)log(1-p))
（请参阅http://wiki.fast.ai/index.php/Log_Loss）
谁能告诉我如何理解scikit中的损失函数代码 - 学习logestic回归以及它与对数损失函数的一般形式之间的关系是什么？
先感谢您。
首先你应该注意到0.5 * alpha * np.dot(w, w)只是一个标准化。因此，sklearn逻辑回归减少到以下
-np.sum(sample_weight * log_logistic(yz))
此外，np.sum是由于它考虑多个样本的事实，所以它再次减少到
sample_weight * log_logistic(yz)
最后，如果您阅读HERE，您会注意到sample_weight是一个可选的权重数组，分配给各个样本。如果没有提供，则每个样品给定单位重量。因此，它应该等于1（如在交叉熵损失的原始定义中我们不考虑不同样本的不等权重），因此损失减少到：
- log_logistic(yz)
这相当于
- log_logistic(y * np.dot(X, w))。
现在，为什么它从交叉熵损失函数看起来不同（实质上它是相同的），i。 Ë：
- [y log(p) + (1-y) log(1-p))]。
原因是，我们可以使用两种不同的标记惯例进行二元分类，使用{0, 1}或{-1, 1}，这会导致两种不同的表示形式。但它们是一样的！
更多细节（关于为什么它们是相同的）可以找到HERE。请注意，您应阅读Manuel Morales的回复。