损失函数和评估函数
损失函数和目标函数定义
损失函数是用于衡量模型在训练过程中预测结果与实际结果之间的差异的函数。它通过计算模型的预测值与实际值之间的距离或差异来 quantitatively 表示模型的性能好坏。损失函数通常被用作优化算法（如梯度下降）的目标函数，通过最小化损失函数来调整模型参数，使得模型的预测结果更加接近实际结果。
评估函数也是用于衡量模型性能的指标，但与损失函数不同，评估函数是在模型训练完成后对模型进行综合评价的指标。评估函数可以用于比较不同模型的性能，或者判断模型是否满足特定应用需求。常见的评估函数包括准确率、精确率、召回率、F1-Score等。
区别：
目的不同：损失函数主要用于优化模型，在训练过程中通过最小化损失函数来调整模型参数；而评估函数主要用于评估模型的性能和效果。
计算方式不同：损失函数通常使用差异度量来表示预测结果与真实结果之间的距离或差异；评估函数则使用更全面的指标来评估模型性能，如准确率、精确率、召回率等。
应用场景不同：损失函数主要用于模型的优化过程，在训练中指导模型参数更新；评估函数主要用于模型的评估和选择，判断模型是否满足实际需求。
需要注意的是，损失函数和评估函数可以是相同的，但在实际应用中，它们往往有着不同的定义和使用方式。
常见的损失函数
- 均方误差（Mean Squared Error，MSE）：用于回归问题，计算预测值与真实值之间的平均差的平方。
- 交叉熵损失（Cross Entropy Loss）：用于二分类或多分类问题，在多分类问题中，它衡