损失函数如何用于优化模型，请使用代码举例说明

损失函数是用于衡量模型预测结果与真实结果之间的差异的函数。在机器学习中，我们通常使用损失函数来优化模型，使其能够更准确地预测结果。

下面是一个简单的例子，展示了如何使用损失函数来优化模型：

假设我们有一个简单的线性回归模型，其目标是预测房价。我们可以使用均方误差（MSE）作为损失函数，来衡量模型预测结果与真实结果之间的差异。具体来说，我们可以使用以下代码来计算MSE：

import numpy as np

# 定义模型预测函数
def predict(X, w):
    return np.dot(X, w)

# 定义损失函数
def mse_loss(y_true, y_pred):
    return np.mean((y_true - y_pred) ** 2)

# 定义训练函数
def train(X, y, learning_rate=0.01, n_iters=100):
    # 初始化权重
    w = np.zeros(X.shape[1])
    
    # 训练模型
    for i in range(n_iters):
        # 预测结果
        y_pred = predict(X, w)
        
        # 计算损失
        loss = mse_loss(y, y_pred)
        
        # 计算梯度
        gradient = np.dot(X.T, (y_pred - y)) / len(y)
        
        # 更新权重
        w -= learning_rate * gradient
        
        # 打印损失
        print('Iteration %d | Loss: %f' % (i, loss))
    
    return w

在上面的代码中，我们定义了一个线性回归模型，使用均方误差作为损失函数，并使用梯度下降算法来优化模型。在训练过程中，我们不断地更新权重，以最小化损失函数。最终，我们得到了一个能够准确预测房价的模型。