基本概念：
损失函数：计算的是一个样本的误差
代价函数：是整个训练集上所有样本误差的平均
目标函数：代价函数 + 正则化项
实际应用：
损失函数和代价函数是同一个东西，目标函数是一个与他们相关但更广的概念，举例说明：
上面三个图的曲线函数依次为 f1(x),f2(x),f3(x)，我们想用这三个函数分别来拟合真实值 Y。
我们给定 x，这三个函数都会输出一个 f(X)，这个输出的 f(X) 与真实值 Y 可能是相同的，也可能是不同的，为了表示我们拟合的好坏，我们就用一个函数来度量拟合的程度。这个函数就称为损失函数 (loss function)，或者叫代价函数 (cost function)。
损失函数越小，就代表模型拟合的越好。那是不是我们的目标就只是让 loss function 越小越好呢？还不是。这个时候还有一个概念叫风险函数 (risk function)。风险函数是损失函数的期望，这是由于我们输入输出的(X,Y) 遵循一个联合分布，但是这个联合分布是未知的，所以无法计算。但是我们是有历史数据的，就是我们的训练集，f(X)关于训练集的平均损失称作经验风险(empirical risk)，所以我们的目标就是最小化经验风险。
到这里完了吗？还没有。
如果到这一步就完了的话，那我们看上面的图，那肯定是最右面的 f3(x) 的经验风险函数最小了，因为它对历史的数据拟合的最好嘛。但是我们从图上来看它肯定不是最好的，因为它过度学习历史数据，导致它在真正预测时效果会很不好，这种情况称为过拟合 (over-fitting)。为什么会造成这种结果？大白话说就是它的函数太复杂了，都有四次方了，这就引出了下面的概念，我们不仅要让经验风险最小化，还要让结构风险最小化。
这个时候就定义了一个函数 J(f)，这个函数专门用来度量模型的复杂度，在机器学习中也叫正则化 (regularization)。常用的有 L1， L2 范数。到这一步我们就可以说我们最终的优化函数是：
即最优化经验风险和结构风险，而这个函数就被称为目标函数
https://blog.csdn.net/qq_28448117/article/details/79199835
若有收获，就点个赞吧
0 人点赞
