平衡的对数损失函数是一种常用的评估二元分类模型的指标。它通过对真实标签和预测标签的匹配程度进行评估，来衡量模型的准确度。平衡的对数损失函数的计算公式如下所示：

$$ \text{Balanced Log Loss} = \frac{-1}{N} \sum_{i=1}^{N} \left[y_i \log(p_i) + (1 - y_i) \log(1 - p_i)\right] $$

其中，$y_i \in {0, 1}$ 表示样本 $i$ 的真实标签，$p_i$ 表示模型预测样本 $i$ 的标签为 1 的概率，$N$ 是总样本数。平衡的对数损失函数的优点是，当正类样本和负类样本数量不平衡时，它可以平衡地对待两种类型的错误。

在 R 语言中，平衡的对数损失函数可以通过 yardstick 包中的 bal_log_loss() 函数来计算。下面是一个示例代码：

library(yardstick)

# 生成样本数据
set.seed(123)
y_true <- rbinom(100, 1, 0.3)
y_pred <- runif(100)
y_pred <- y_pred / sum(y_pred)

# 计算平衡的对数损失函数
bal_log_loss(y_true, y_pred)

上述代码中，首先使用 rbinom() 函数生成 100 个二元随机数作为真实标签，包含大约 30% 的正类样本和 70% 的负类样本。然后使用 runif() 函数生成 100 个在 0 到 1 范围内的随机数，并将它们归一化为概率，作为模型的预测结果。最后调用 bal_log_loss() 函数来计算平衡的对数损失函数。