機器學習的目標，就是要預測未來，預測能越準越好，但是要怎麼知道準不準確呢？這時候「損失函數」（loss function）就很好用了！
當損失函數越小，表示這個model設計越好，反之，就要考慮換別的model了。

根據教學範例，她提到一個現象「蟋蟀在越高溫度叫的頻率越高」。他們把這個現象整理成每分鐘有多少叫聲（x軸）和溫度（y軸）的X-Y軸圖。（如下圖一）

〈圖一〉

可以看到有個左下到右上的趨勢，在那個趨勢上畫一條線，這就是我們的「model」，我們可以根據溫度，來預測蟋蟀每分鐘可以叫幾次。（如下圖二）

〈圖二〉

但是我們設計了一個model（紅色的線），我們要怎麼知道這個model是可以用的，誤差是大是小？這時候就是機器學習的重要的判斷方式：均方誤差（Mean square error，MSE），還有「平均絕對值誤差」(Mean absolute error，MAE)。兩者都可以達到我們想要判斷的目標，他們有個明顯的差異，MSE的線圖是曲線，比較滑潤，而MSA是直線性的，比較硬（聽起來好奇怪）。
均方誤差的公式為：

所以是，我們的「真正資料」減去「預測資料」的平方，然後再除以數據資料的數量之總和。

而平均絕對值誤差，則是轉成絕對值後相加。

「『真實』減去『預測』」所得到的值，就是「誤差（loss）」，而無論是MSE和MAE都會是正的數字，不會因為會用到「『真實』減去『預測』」得到的一正一負數值被抵消掉。

當這兩個數值越大，代表誤差（loss）越多，也就表示這個model越不好，最好的狀況值為「0」，表示這個預測的model跟現實一模一樣。所以MSE被認為是檢測model到底準不準確的一大計算公式。

睫毛之聲：

現在離數學、統計公式越來越近，表示說我們的概念越來越清楚了。從名詞解釋，前幾天提到機器學習會用到方式，到今天的檢測與判斷。

更詳細的說明可以參考：網站－機器/深度學習: 基礎介紹-損失函數(loss function)