关于log loss：log loss 什么范围才合理？log loss 特别大如何解决？为什么使用log loss？

问题：

在使用tf-idf特征和logistic regression模型作文本分类（二分类）时，出现了下面的情况：
试过相同特征下的其他模型如Naive Bayes，但是效果一样：
又分别试了下word count特征，而不使用tf-idf，效果还是不行：
所以，log loss 到底什么范围才合理？log loss 特别大的话该如何解决？

解决:

1.为什么使用 log loss？log loss 和其他模型评估指标有什么区别？

针对分类问题的模型评估，可能有多种指标选择，比如混淆矩阵中的 Recall, Precision, F-Score 或者 Accuracy。
还有一种选择是使用 loss 指标，比如 log loss。

Log loss 和他们的区别是：
log loss 不仅考虑模型最后的分类表现，它还考虑了模型的概率。更大的概率会使得log loss变小，直至接近0；
它是对“不确定性”/“或者说”熵，的一种度量。
Log Loss it useful to compare models not only on the