机器学习Machine Learning：成本（cost） 函数，损失（loss）函数，目标（Objective）函数的区别和联系？

机器学习Machine Learning：cost 函数，loss函数，objective函数的区别和联系？

关于这个问题，我也是机器学习初学者，对于这些概念感觉有必要追根究底。
不同笔者有不同的见解，通过搜集一些相关笔者的回答和个人的理解，我整理了材料如下：

---

首先在Andrew NG的Coursera：Neural Networks and Deep Learning 课程中，有如下一段话：

The loss function computes the error for a single training example; the cost function is the average of the loss funcitons of the entire training set.

课堂PPT如下所示：

loss(error) function 是单个样例的损失/误差；而 cost function 是对数据集整体的误差描述，是选定参数 w 和 b 后对数据进行估计所要支付的代价，cost 是对所有数据的误差取平均得到的。

---

关于此块具体详解，参考周志华老师的《机器学习》书中如下解释，
以在SVM中为例，SVM中优化目标函数如下：

经验损失(loss)就是传说中的损失函数或者代价函数。结构损失(Ω)就是正则项之类的来控制模型复杂程度的函数。

举个栗子：

《机器学习》目标函数解析

其中经验风险（empirical risk）,用于描述模型与训练数据的契合程度；C用于对二者分析进行折中。从经验风险最小化的角度来看，表达了我们需要获得具有何种性质的模型（例如取得复杂度较小的模型），这为引入领域知识和用户意图提供了路径；另一方面，该信息有助于削减假设空间，从而降低了最小化训练误差的过拟合风险。