损失函数：给错误打分

先能打分，才能进步

要学一个函数，得先知道「现在的函数有多差」。损失函数就是给错误打分的规则：预测离真实答案越远，损失越大；完全猜中，损失为 0。训练 = 想办法把损失压低。

用射箭打比方

每一箭离靶心的距离，就是这一箭的「损失」；一轮射箭的总偏离，就是总损失。换不同的姿势（不同的函数参数），看哪个总偏离最小——这就是训练在做的事。

最常见的打分方式

回归常用平方误差：$(y-\hat{y}{)}^2$，真实值减预测值的差的平方。白话：猜错 2 扣 4 分，猜错 3 扣 9 分——错得越离谱，惩罚越狠，逼着模型优先修大错。分类常用交叉熵，白话版：模型给正确答案的信心越低，扣分越多。

一个数字例子

真实房价 300 万，模型 A 猜 290 万，损失 $(300-290{)}^2=100$；模型 B 猜 250 万，损失 2500。不用懂推导也能看出：A 比 B 好 25 倍。

常见误区

损失低 ≠ 模型好。在练习题（训练数据）上拿满分，可能只是背了答案——这正是第七讲的过拟合。损失是「指南针」，不是「判决书」。

练一练：三次考试目标 90 分，实际 85、88、95，用平方误差算总损失（25+4+25=54）。