代價函數
損失函數（Loss Function），也被稱爲代價函數（Cost Function），在機器學習和統計學中是一箇非常核心的概念。損失函數的主要作用是衡量模型預測值與真實值之間的差異或誤差，這個差異程度通常用非負實數來表示。損失函數的值越小，表示模型的預測結果與實際結果越接近，即模型的性能越好。損失函數是機器學習和深度學習中的一箇重要概念，它通過對模型輸出和真實標籤之間的比較，提供了對模型性能的度量，損失函數是用於估量模型的預測值與真實值之間不一致程度的函數，它是一箇非負實值函數，通常使用L(Y，f(x))來表示。
損失函數可以根據不同的任務類型（如圖像分類、自然語言處理、迴歸問題）和模型類型（如線性迴歸、邏輯迴歸、神經網絡）有不同的形式和變體。常見的損失函數包括基於距離度量的損失函數和基於概率分佈度量的損失函數，前者主要應用於迴歸問題，如預測房價、功率等，後者在分類問題中比較常見。損失函數可以指導模型的訓練過程，通過反向傳播算法調整模型參數以最小化損失函數的值，從而使模型的預測更加準確。