为何我的Log-Loss（交叉熵）实现结果与预期不一致？

我来帮你排查几个关键差异点，这些都是导致结果不同的常见原因：

1. 参数顺序搞反了 #

sklearn的log_loss函数参数顺序是**y_true（真实标签）在前，y_pred（预测概率）在后**，也就是调用形式为log_loss(targets, predictions)。但你的自定义函数是cross_entropy(predictions, targets)，如果调用log_loss时你写成了log_loss(predictions, targets)，参数顺序完全颠倒，结果肯定不对。

2. 缺少数值稳定的平滑处理 #

sklearn的log_loss默认会对预测概率做数值稳定处理：它会把所有预测值限制在[epsilon, 1-epsilon]范围内（默认epsilon=1e-15），避免出现log(0)导致的无穷大错误。而你的自定义代码直接使用原始预测值，虽然当前例子里没有0，但这是sklearn保证计算稳定性的关键设计，也是和自定义实现的核心差异之一。

3. 对齐sklearn行为的修正代码 #

我们调整自定义函数，对齐sklearn的逻辑，验证结果一致性：

import numpy as np
from sklearn.metrics import log_loss

def cross_entropy(predictions, targets, epsilon=1e-15):
    # 先对预测值做clip处理，和sklearn的数值稳定逻辑对齐
    predictions = np.clip(predictions, epsilon, 1 - epsilon)
    N = predictions.shape[0]
    ce = -np.sum(targets * np.log(predictions)) / N
    return ce

predictions = np.array([[0.25,0.25,0.25,0.25], [0.01,0.01,0.01,0.97]])
targets = np.array([[1,0,0,0], [0,0,0,1]])

# 注意sklearn的参数顺序：真实标签在前，预测概率在后
sklearn_result = log_loss(targets, predictions)
custom_result = cross_entropy(predictions, targets)

print(f"sklearn log_loss结果: {sklearn_result:.6f}")
print(f"自定义交叉熵结果: {custom_result:.6f}")

运行这段代码后，你会看到两个结果几乎完全一致（仅存在微小的浮点精度差异）。

额外提醒 #

如果之前你调用log_loss时参数顺序反了，那结果会完全偏离预期——这是新手使用sklearn分类指标时最容易踩的坑，一定要注意API的参数顺序！

内容的提问来源于stack exchange，提问作者Vikash Singh