log_loss直接计算预测概率与真实标签的交叉熵，要求y_true为一维整数标签、y_pred为行和为1的概率矩阵，类别顺序必须严格对齐，否则结果不可信。
log_loss 直接计算的是模型预测概率与真实标签之间的交叉熵，不是简单“预测对错”的惩罚；它要求输入必须是概率矩阵（非 one-hot 标签），且所有样本的预测概率行和必须为 1。
log_loss 的输入格式必须严格满足：y_true 是整数标签，y_pred 是二维概率数组
常见错误是把 y_true 写成 one-hot 编码（如 [[1,0],[0,1]]）或把 y_pred 写成类别索引（如 [0,1]）。log_loss 会静默报错或返回意外值。
-
y_true应为一维整数数组，例如[0, 1, 2, 1]（对应 3 分类） -
y_pred必须是二维numpy.ndarray，形状为(n_samples, n_classes)，每行是归一化后的预测概率，例如[[0.8,0.1,0.1], [0.2,0.7,0.1], ...] - 如果用
predict_proba得到输出，通常已合规；但若用decision_function或手工拼接，需手动softmax或sigmoid归一化
多分类时 label 的顺序必须与 y_pred 的列顺序严格一致
log_loss 不推断类别语义，只按位置匹配。若训练时 LabelEncoder 编码后类别顺序是 ['cat', 'dog', 'bird'] → [0,1,2]，那么 y_pred[:, 0] 就必须对应 'cat' 的预测概率。
- 用
model.classes_检查实际类别顺序（对LogisticRegression、RandomForestClassifier等有效） - 若
y_pred来自不同模型或预处理流程，务必确认列索引与y_true数值标签对齐，否则损失值完全不可信 - 不建议依赖
sorted(set(y_true))推断顺序——scikit-learn 默认按升序，但显式传入labels=[...]参数更安全
遇到 “ValueError: y_true and y_pred contain different number of classes” 怎么办
这个错误不是因为类别总数不同，而是指 y_true 中出现的类别数 ≠ y_pred.shape[1]，或者 y_true 含有未在训练中见过的标签（比如测试集混入新类别）。
立即学习“Python免费学习笔记（深入）”；
- 检查
len(set(y_true)) == y_pred.shape[1]，不等就说明漏类或冗余列 - 若
y_true是从原始字符串标签转换而来，确认没漏掉fit过的LabelEncoder或OneHotEncoder - 允许跳过缺失类：加参数
labels=sorted(set(y_true))，强制限定类别集合 - 极小概率下，某类在
y_true中只出现一次且y_pred对应列为全 0，会触发log(0)→inf；此时可加eps=1e-15防止数值溢出（默认已启用）
真正容易被忽略的是：log_loss 对低置信度错误极其敏感，一个 [0.01, 0.99] 预测错标为 0，贡献的损失接近 4.6；而同样错误若预测为 [0.4, 0.6]，损失仅约 0.92。所以它不只是评估“准不准”，更是评估“有多确信地错了”。
