上面几节讲了监督学习和非监督学习的一些算法（目前还不完整，会慢慢补充哒)
如果文章内容有错误，欢迎小伙伴在评论区指出!
前言：
损失函数在机器学习中非常重要，直接关乎模型的好坏（so?学好它）。
其实第二节讲了这个最小二乘法，他的思想是使用残差和作为他的损失函数，来度量这个模型好不好，往哪个方向更新。通过最小化这个损失值，我们可以驱使模型不断学习和改进，直至达到满意的预测精度。
概念：
损失函数是一个量化模型预测错误的数学工具。
拓展：
我们常常在机器学习中听到成本函数。那两个有什么关系呢？
损失函数用于训练单个样本，也被成为误差训练。
成本函数用于训练整个数据集的平均损失。而我们的优化策略就是想让成本函数最小。
1、基于距离度量的损失函数
1.1 欧氏距离损失（Euclidean Distance Loss）
概念：
衡量模型输出值与真实值之间的欧式距离。
就是我们平时说的“距离”。
这个很简单，就不多说啦，一看就明白啦。
用法：
适用于低维数据，最常用的距离方法之一。
1.2 曼哈顿距离损失（Manhattan Distance Loss）
概念：
衡量模型输出值与真实值之间的曼哈顿距离，也称为 范式距离。
通常称为出租车距离或城市街区距离（ Taxicab distance or City Block distance）
只能直角移动，不能在对角线上移动。
用法：
适用于高维数据但是不直观！
Lasso算法就用了这个L1范式（这里有讲lasso算法）
1.3 切比雪夫距离损失（Chebyshev Distance Loss）
概念：
衡量模型输出值与真实值之间的切比雪夫距离，即两个向量各维度差的最大值。
距离计算就是像这样的。
用法：
这个比较挑剔了，需要根据天时地利人和来选择，慎重哦！
1.4 马氏距离损失（Mahalanobis Distance Loss）
概念：
考虑特征之间的协方差，衡量样本之间的马氏距离。
马氏距离实际上是欧式距离在多变量下的“加强版”，用于测量点（向量）与分布之间的距离。
用法：
适用于高维空间中的聚类或分类问题
1.5 哈林顿距离损失（Hamming Loss）
概念：
用于度量两个向量之间的相似性，通常用于多标签分类任务，衡量两个向量对应元素不相等的比率。
用法：
- 度量分类变量之间的距离
- 数据通过计算机网络传输时的错误纠正/检测。它可以用来确定二进制字中distorted bit的数目，作为估计误差的一种方法。
1.6 余弦相似度损失（Cosine Similarity Loss）
概念：
衡量模型输出值与真实值之间的余弦相似度
用法：
只考虑方向，没考虑大小。所以当大小不重要的时候，就可以用它了。
1.7 Jaccard 距离损失（Jaccard Distance Loss）
概念：
用于度量集合之间的相似性，通常用于聚类或分类问题。
用法：
这个受数据集大小影响很大，当数据集很大时，他的交集和并集都会变大，损失值会很小就不准了。
经常用于处理二进制或者二进制化数据的应用程序中。例如预测衣服图像的片段时，Jaccard 索引就可以计算给出真实标签的预测片段的准确性。
还可以用来比较模式集，用于文本相似度分析，衡量文档之间的选词重叠程度。
这边介绍了基础的损失函数，下面还会介绍一些回归和分类中的损失函数。