称之为代价函数

代价函数（Cost Function），又称损失函数（Loss Function），是机器学习算法中用于衡量模型预测性能的关键数学工具。其本质定义为一个标量值，表示模型输出与真实标签之间的误差程度。在监督学习中，算法的目标是通过迭代调整模型参数，使得代价函数达到全局或局部最小值，从而实现最优拟合。该概念起源于统计学习理论，广泛应用于线性回归、逻辑回归、神经网络等算法中，是连接模型结构与优化目标的核心桥梁。

在现代计算架构与人工智能生态中，代价函数扮演着‘导航仪’的角色。它不仅定义了优化的方向，还直接决定了模型收敛的速度与稳定性。不同的代价函数设计（如均方误差、交叉熵）对应着不同的数据分布假设与任务类型，深刻影响着模型对噪声的敏感度与泛化能力。从工业界的大规模分布式训练到科研界的实验验证，代价函数的选择与调优是构建高性能 AI 系统的基石。其生态地位体现在与优化器（Optimizer）的紧密耦合，共同构成了深度学习训练的底层引擎。