Daten & Analytics
Log Loss
Auch bekannt als:
Logarithmischer Verlust
Logistic Loss
Binary Cross-Entropy
Aktualisiert: 12.2.2026
Eine Verlustfunktion, die die Qualität vorhergesagter Wahrscheinlichkeiten bewertet – bestraft falsche aber konfidente Vorhersagen exponentiell.
Kurz erklärt
Log Loss bewertet probabilistische Vorhersagen – bestraft falsch-konfidente Vorhersagen exponentiell.
Erklärung
Log Loss = -1/n × Σ[y·log(p) + (1-y)·log(1-p)]. Perfekte Vorhersagen ergeben Loss=0.
Relevanz für Marketing
Log Loss ist die Standard-Metrik für probabilistische Klassifikation – misst Kalibrierungsqualität.
Häufige Fallstricke
Sensibel gegenüber Outlier-Vorhersagen. Clipping erforderlich. Schwer interpretierbar ohne Baseline.
Entstehung & Geschichte
Log Loss basiert auf Maximum-Likelihood-Estimation und ist mathematisch identisch mit Binary Cross-Entropy.
Abgrenzung & Vergleiche
Log Loss vs. AUC
AUC misst Ranking; Log Loss misst Kalibrierung. Beide zusammen geben das vollständige Bild.