Machine Learning · Entrenamiento

Log-Loss y Máxima Verosimilitud

Explora cómo la regresión logística aprende castigando predicciones probabilísticas equivocadas. Cambia la clase real y la probabilidad estimada para observar por qué una predicción muy segura pero incorrecta recibe una penalización extremadamente alta.

Clase real

resultado observado

Probabilidad predicha

80.0%

confianza del modelo

Log-Loss individual

0.2231

menor es mejor

Prob. clase correcta

80.0%

qᵢ

Curvas de pérdida

predicción razonable

Cálculo de una observación

Fórmula viva

Mini dataset: pérdida acumulada

5 observaciones

Log-Loss media

0.0000

Log-Likelihood

0.0000

Likelihood

0.0000

Máxima verosimilitud: intuición

Equivalencia

Objetivo probabilístico

Maximizar L(β)

Hacer lo más plausibles posible los resultados observados.

⇔

Objetivo computacional

Minimizar Log-Loss

Reducir la suma de penalizaciones probabilísticas.

Qué observar

Ideas clave

1 · La confianza equivocada cuesta muchoSi y=1 y p→0, o si y=0 y p→1, la pérdida crece rápidamente.

2 · Predecir 0.51 no es igual que 0.99Ambas pueden producir la misma clase con umbral 0.5, pero log-loss distingue cuán segura era la predicción.

3 · Entrenar significa mejorar probabilidadesLa regresión logística no optimiza directamente accuracy; optimiza una función probabilística ligada a máxima verosimilitud.