根据这些信息，需要对x和y做出不同的假设，直到找到呈现最低成本函数的模型。换句话说，减少差距，以便预测尽可能接近实际值。
平均绝对误差（MAE）
这是线性回归模型的另一个公式。但与前一个不同的是，该成本函数衡量的是模型的实际值与预测值之间的绝对误差的平均值。而且由于 MAE 不计算误差的平方，因此它对异常值的稳健性更强。
以下是数学公式：
及其参数：
n是样本总数，
y i是实际值，例如 i，
ŷ i 是该模型针对此示例预测的值，
|y i – ŷ i |是此示例的绝对误差。
回到我们的房地产价格的例子，预测价格和实际价格之间偏差的平均值。这是绝对值。
掌握机器学习中的成本函数
对数损失（或损失对数）
该成本函数用于评估概率分类模型，特别是在二元或多类分类问题中。具体来说，它测量 阿根廷电报数据 预测的概率分布和真实类别之间的“距离”。
以下是数学公式：
及其参数：
n是数据集中的示例总数，
y i是示例 i 的真实类别（0 或 1），
ŷ i是y i =1的预测概率
log是自然对数。
如果模型预测的概率接近真实类别（例如，类别 1 的概率为 0.9），则对数损失很小。另一方面，如果模型与正确概率相差甚远（对于第 1 类，为 0.1），则对数损失很高。再次强调，目标是在不同的假设和迭代中，获得尽可能低的成本函数。
减少AI模型错误
正如你所理解的，成本函数对于设计高效的机器学习模型至关重要。但它也很复杂。为了充分理解其不同的应用案例（回归模型、分类、神经网络、强化学习等），对其进行训练至关重要。为此，有DataScientest。探索我们的数据科学计划。