Atualizado em 03/10/2026: verbete corrigido: o texto anterior tratava de perdas na cadeia de suprimentos, e não da função de perda usada em machine learning. Como conferimos os dados
Log loss, também chamada de logistic loss (perda logística) ou perda de entropia cruzada (cross-entropy loss), é a função de perda que mede o quanto as probabilidades previstas por um modelo de classificação se afastam das respostas certas. É a perda usada na regressão logística e em redes neurais de classificação.
Atenção: em machine learning, o termo não tem relação com logística de transporte ou perdas na cadeia de suprimentos. “Logistic” vem da função logística (sigmoide), que transforma um número numa probabilidade entre 0 e 1.
Fórmula (classificação binária)
Para um exemplo com rótulo verdadeiro y (0 ou 1) e probabilidade prevista p de ser 1: perda = −(y·log(p) + (1 − y)·log(1 − p)). A perda do conjunto é a média das perdas de cada exemplo.
Exemplo
- O e-mail é spam (y = 1) e o modelo deu 0,9 de chance de spam: perda = −ln(0,9) ≈ 0,11.
- O e-mail é spam e o modelo deu só 0,1: perda = −ln(0,1) ≈ 2,30.
- Ou seja: errar com muita confiança custa muito mais do que errar com dúvida.
Para que serve
No treino, o modelo ajusta os pesos para reduzir a log loss. Na avaliação, ela mede a qualidade das probabilidades (a saída predict_proba no scikit-learn), e não só se a classe final acertou. Para mais de duas classes, a mesma ideia vira a entropia cruzada.
Termos relacionados
Fontes (conferidas em 02/10/2026): scikit-learn: log loss (guia de métricas) · scikit-learn: log_loss · Google: glossário de ML (cross-entropy)