代價函數
損失函數，也稱爲代價函數，是機器學習和統計學中的一箇核心概念，用於衡量模型預測值與真實值之間的差異或誤差。
損失函數是一種非負實值函數，通常表示爲L(Y, f(x))，其中Y代表真實值，f(x)代表模型的預測值，損失函數越小，說明模型的預測越準確，模型的性能越好。在機器學習和深度學習中，損失函數作爲優化問題的目標，通過最小化損失函數來求解和評估模型，例如，在統計學中，損失函數用於參數估計；在宏觀經濟學中，用於風險管理和決策；在控制理論中，應用於最優控制理論。
損失函數的類型多樣，包括1.0-1損失函數、絕對值損失函數、平方損失函數、指數損失函數、對數損失函數和合頁損失函數等，這些不同類型的損失函數根據不同的應用場景和任務類型（如圖像分類、自然語言處理、迴歸問題）進行選擇。