代价函数的python代码

代价函数（Cost Function），在机器学习中，特别是在监督学习领域，用于评估模型预测的准确度。它测量的是模型预测值与实际值之间的差异。一个常用的代价函数是均方误差（MSE），特别是在回归问题中。以下是使用Python代码实现的一个简单的均方误差代价函数的示例：

import numpy as np

def mean_squared_error(y_true, y_pred):
    """
    计算均方误差（MSE）
    
    参数:
    y_true -- 真实值数组
    y_pred -- 模型预测值数组
    
    返回:
    mse -- 均方误差
    """
    # 计算平方差
    squared_errors = np.power((y_true - y_pred), 2)
    # 计算均方误差
    mse = np.mean(squared_errors)
    return mse

# 示例数据
y_true = np.array([1, 2, 3])
y_pred = np.array([1.1, 2.1, 3.1])

# 计算代价函数
cost = mean_squared_error(y_true, y_pred)
print("均方误差代价函数的值为:", cost)

在这段代码中，`mean_squared_error` 函数接受真实值 `y_true` 和预测值 `y_pred` 作为输入，并返回计算得到的均方误差值。函数首先计算每个预测值和真实值之间的平方差，然后计算这些平方差的平均值，即得到均方误差。