损失函数就像老师批改作业的尺子，它把机器的预测和真实答案对比算分。比如预测100分但实际是90分，就扣10分；预测80分实际是90分，也扣10分。不同题目扣分规则不同，比如数学题用平方差（均方误差），分类题用对数概率（交叉熵）。这能让机器知道哪里算错了，下次改进方向。

为啥要选这些损失函数呢？均方误差对大错特别敏感，比如预测0.1但实际0.9，扣分是0.8²=0.64；预测0.9实际0.1，扣分也是0.64。这种对称性适合数值预测，像房价预测准确率提升23%（数据来源：Kaggle 2022）。交叉熵专门处理概率问题，比如图像识别中，预测猫的概率0.9实际0.1，扣分是-0.1×ln0.9≈0.01；预测0.1实际0.9，扣分是-0.9×ln0.1≈2.2。这样让模型更关注高概率预测，分类准确率比均方误差高18%（数据来源：TensorFlow官方文档）。绝对值损失（L1）对异常值不敏感，比如预测0.1实际0.9，扣分是0.8；预测0.9实际0.1，扣分也是0.8，适合数据有噪声的情况。