Hamming-Verlust

Hamming Loss ist eine Metrik, die verwendet wird, um die Leistung von maschinellem Lernen models, particularly in Multi-Label-Klassifikation tasks. It quantifies the number of incorrect labels predicted by a model compared to the true labels. The Hamming Loss is calculated as the average fraction of incorrect labels over all instances in the dataset.

Um den Hamming Loss zu berechnen, werden im Allgemeinen die folgenden Schritte befolgt:

1. Für jede Instanz die vorhergesagten Labels mit den tatsächlichen Labels vergleichen.
2. Die Anzahl der falsch vorhergesagten Labels zählen.
3. Diese Zählungen über alle Instanzen summieren.
4. Die Gesamtzahl der falschen Vorhersagen durch die Gesamtzahl der Labels über alle Instanzen teilen.

The resulting value will range from 0 to 1, where 0 indicates perfect predictions (no incorrect labels) and 1 indicates that all predictions are incorrect. It is particularly useful in scenarios where multiple labels can apply to a single instance, such as image Tagging oder Textkategorisierung zu bewerten.

Hamming Loss ist vorteilhaft, weil es ein intuitives Verständnis von Modellleistung in multi-label settings, allowing for direct comparisons between models. However, it may not account for the varying importance of different labels, which could be a consideration in some applications.