常用损失函数
SSE（和方差）
最简单的了，就是拟合数据和原始对应点的误差的平方和（有平方和是为了排除负的情况）
MES（均方方差）
比SSE稍微厉害一点，是预测数据和原始数据对应点误差的平方和的均值，即SSE/n（n为样本个数）
RMSE（拟合标准差）
是MSE的平方根。又叫回归系统的拟合标准差
缺点
MSE
当偏导值接近0或1时，梯度可能会消失，如下图所示：
这导致模型在一开始学习时的速率很慢，这是可以使用交叉熵作为损失函数
最简单的了，就是拟合数据和原始对应点的误差的平方和（有平方和是为了排除负的情况）
比SSE稍微厉害一点，是预测数据和原始数据对应点误差的平方和的均值，即SSE/n（n为样本个数）
是MSE的平方根。又叫回归系统的拟合标准差
当偏导值接近0或1时，梯度可能会消失，如下图所示：
这导致模型在一开始学习时的速率很慢，这是可以使用交叉熵作为损失函数