python代价函数

在机器学习和深度学习中，代价函数（Cost Function）也被称为损失函数（Loss Function）或目标函数（Objective Function）。它用于衡量模型的预测结果与实际值之间的差异，即模型的性能。在Python中，我们可以根据具体的任务和模型选择不同的代价函数。

例如，在回归任务中，常用的代价函数包括均方误差（Mean Squared Error，MSE）和平均绝对误差（Mean Absolute Error，MAE）。在分类任务中，常用的代价函数包括交叉熵损失（Cross-Entropy Loss）和对数损失（Log Loss）。

以下是几个常见的Python代码示例，展示了如何计算不同类型的代价函数：

1. 均方误差（MSE）：

import numpy as np

def mean_squared_error(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

2. 平均绝对误差（MAE）：

import numpy as np

def mean_absolute_error(y_true, y_pred):
    return np.mean(np.abs(y_true - y_pred))

3. 交叉熵损失（Cross-Entropy Loss）：

import numpy as np

def cross_entropy_loss(y_true, y_pred):
    epsilon = 1e-7  # 防止log(0)
    return -np.mean(y_true * np.log(y_pred + epsilon))

这些代码示例仅供参考，实际使用时可能需要根据任务和模型的需求进行适当修改。