损失函数中的L替换为代价函数

代价函数的作用及常见类型

在机器学习和深度学习任务中，代价函数（Cost Function）是评估模型预测结果与实际观测值之间差异的一种衡量指标。代价函数的选择直接影响了模型的训练效果和最终的性能表现。本文将介绍代价函数的作用以及常见的类型，并给出相应的源代码示例。

作用

代价函数的主要作用是衡量模型的预测结果与实际观测值之间的差异程度，即模型的“错误程度”。通过最小化代价函数，可以使模型在训练过程中逐渐接近最优解，提高模型的拟合能力和泛化能力。

常见类型

均方误差（Mean Squared Error）

均方误差是回归问题中常用的代价函数，计算预测值与真实值之间的平方差的平均值。其公式为：

MSE = (1/n) * Σ(y - y_pred)^2

其中，n是样本数量，y是真实值，y_pred是模型的预测值。以下是使用Python实现均方误差的源代码示例：

import numpy as np

def mean_squared_error