def compute_cost(w, b, points): total_cost = 0 M = len(points)

`compute_cost` 函数计算代价（cost）通常与线性回归或支持向量机（SVM）等模型中的损失函数有关。在这个上下文中，`w` 是权重向量，`b` 是偏置项，`points` 是训练数据点，每个点包含特征和对应的标签。然而，直接给出 `def compute_cost(w, b, points)` 的定义可能会依赖于特定模型的成本函数。

对于线性回归，成本函数如平方误差（MSE），则可能类似于以下形式[^1]:

# 假设 points 包含特征 x 和标签 y
for i in range(M): 
    prediction = w.T @ points[i][0] + b  # 使用 w 转置乘以特征向量并加偏置
    error = points[i][1] - prediction  # 当前样本的实际值与预测值之差
    total_cost += error ** 2  # 每个样本的平方误差贡献到总成本

total_cost /= M  # 平均化，得到单个训练实例的平均平方误差
return total_cost  # 返回整个训练集的平均成本

而对于 SVM 中的核方法，`C` 参数控制的是惩罚强度，不是直接对应于 cost 函数。但如果我们考虑硬间隔最大化（如线性 SVM），它可能导致误分类点的代价，这时 `compute_cost` 可能会包括误分类项。

然而，在您提供的第二个引用 中提到的 R² 分数（R-squared 或决定系数），它是评估模型拟合度的统计量，而不是直接计算成本。R² 越接近 1，表示模型解释了输入变量对输出变化的更大比例。计算 R² 时不需要涉及上述的 `compute_cost` 函数。