log_loss要求y_true为一维标签、y_pred为二维概率矩阵；须用predict_proba而非predict，且类别顺序需与classes_一致，否则报错。
log_loss 函数怎么用才不报错
直接调用 log_loss 时最常见的错误是标签格式不匹配：它要求真实标签是 array-like 的整数或字符串，但预测值必须是二维概率矩阵（shape: (n_samples, n_classes)），不是一维的预测类别。很多人传了 model.predict(X)，结果报 ValueError: y_true and y_pred must have the same number of samples 或更隐蔽的维度错位。
- 用
model.predict_proba(X)替代model.predict(X)—— 后者输出类别索引，前者才输出每类概率 - 如果只有二分类，
predict_proba默认返回两列（[负类概率, 正类概率]），log_loss能自动识别；若强行只传一列（比如只取[:, 1]），会因维度不匹配报错 - 确保
y_true是一维，且类别值与predict_proba的列顺序一致（如y_true中 0/1 对应predict_proba第0/1列）
LogisticRegression 默认不用交叉熵？那它在优化什么
Scikit-learn 的 LogisticRegression 默认最小化的是带 L2 正则的对数损失（即交叉熵 + C 控制的正则项），不是准确率也不是 hinge loss。它的目标函数等价于 log_loss 加上 alpha * ||w||²（alpha = 1 / (n_samples * C)）。所以你调用 fit() 时已经在用交叉熵做核心优化，只是封装好了。
-
C=1.0是默认值，越小表示正则越强（容易欠拟合），越大越弱（可能过拟合） - 想关掉正则？设
C=np.inf（实际用一个极大值如1e10更稳妥） -
solver='lbfgs'或'saga'才支持loss='log_loss'的显式指定；'liblinear'已弃用，且不兼容多分类交叉熵接口
训练完发现 log_loss 值特别大（>10），一定是模型坏了？
不一定。log_loss 没有固定上限，它对错误预测极度敏感：只要有一个样本被预测为「某类概率接近 0」但真实标签偏偏是那一类，log(-log(极小值)) 就会爆炸。所以高 loss 往往指向数据或预处理问题，而不是模型本身。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 检查是否有未清洗的异常标签，比如
y_true里混入了 -1、999 等非法值 - 确认特征没出现极端离群值（如某列全是 1e8 量级），导致
predict_proba输出溢出（变成 inf 或 nan） - 用
np.isfinite(y_pred_proba).all()快速验证概率矩阵是否健康；一旦含 nan，log_loss直接返回 nan - 二分类时，
log_loss在完全随机预测下理论均值约 0.693（即 ln2），>2 通常就该排查了
为什么 predict_proba 输出两列但类别只有 0 和 1
这是 scikit-learn 的固定行为：predict_proba 总返回 shape=(n_samples, n_classes) 的数组，哪怕二分类也强制两列。第一列恒对应 classes_[0]，第二列对应 classes_[1]。而 classes_ 默认按升序排，所以当 y 是 [0,1,1,0]，classes_ 就是 [0,1]，第0列就是 P(y=0)，第1列是 P(y=1)。
立即学习“Python免费学习笔记（深入）”；
- 不要手动删掉第0列去“简化”输入——
log_loss会自己按y_true映射列索引 - 如果
y_true是字符串（如 ['cat', 'dog']），classes_就是 ['cat','dog']，此时必须保证y_true值严格匹配，否则log_loss报ValueError: y_true contains previously unseen labels - 多分类时，列数等于
len(model.classes_)，顺序必须与model.classes_完全一致
交叉熵损失本身不关心“哪个类是正类”，只认概率分布和真实分布的 KL 散度。真正容易翻车的，是那些没意识到 predict<em>proba</em> 和 classes 绑定、又随手切片或重排序的人。
