成本函数（Cost Function）是机器学习中用于衡量模型预测值与真实值之间差异的数学函数，它是模型训练过程中优化算法的导航仪。在数学形式上，成本函数通常表示为模型参数的可微函数，其输出值（即「成本」或「损失」）越小，说明模型预测越接近真实数据分布。常见的成本函数包括均方误差（MSE）用于回归任务，交叉熵（Cross-Entropy）用于分类任务，它们像一把精准的尺子，量化着模型每一次预测的「错误代价」。
对于AI产品经理而言，理解成本函数的选择逻辑至关重要。例如在推荐系统开发中，采用适合排序学习的成对损失函数（Pairwise Loss）会比传统分类损失更有效；而在处理类别不平衡数据时，加权交叉熵（Weighted Cross-Entropy）能避免模型偏向多数类。实践中，成本函数往往需要与业务指标对齐——电商场景下点击率预测模型的优化，可能会在成本函数中融入转化率相关的惩罚项，这种「业务感知型」设计正是模型成功落地的关键。