采用欧氏距离最小化来作为差距衡量标准只是众多误差评估标准中的一种，任何一种评估标准都不可能适用于全部场景。除了平方损失函数外，下面再列举部分常见的损失函数及其具有代表性的机器学习模型和策略算法：
1）0-1 损失函数：
$$
\operatorname { L o s s } ( y , y ^ { \prime } ) = { \left\{ \begin{array} { l l } { 1 , y \neq f ( x ) } \\ { 0 , y } & { f ( x ) } \end{array} \right. }
$$
2）绝对值损失函数：
$$
\begin{array} { r l } { \mathrm { L o s s } ( y , y ^ { \prime } ) } & { { } | y - f ( x ) | } \end{array}
$$
3）对数损失函数（广泛用于逻辑回归）：
$$
\mathrm { L o s s } ( y , y ^ { \prime } ) = \frac { 1 } { n } \sum _ { i = 1 } ^ { n } \log ( 1 + \mathrm { e } ^ { - w ^ { \mathrm { T } } x _ { i } y _ { i } } )
$$
4）指数损失函数（广泛用于 Boost 算法）：
$$
\operatorname { L o s s } ( y , y ^ { \prime } ) = \frac { 1 } { n } \sum _ { i = 1 } ^ { n } \exp ( - y _ { i } f ( x _ { i } ) )
$$
5）Hinge 损失函数（广泛用于支持向量机）：
$$
\operatorname { L o s s } ( y , y ^ { \prime } ) = \frac { 1 } { n } \sum _ { i = 1 } ^ { n } \operatorname* { m a x } ( 0 , 1 - w ^ { \operatorname { T } } x _ { i } y _ { i } )
$$
……
与平方损失函数代表欧氏距离的含义类似，以上每一种损失函数都有各自的数学（几何或者概率）中的具体含义。其实，所谓学某种监督学习算法，很大程度上就是理解其损失函数的意义，然后学习如何求解或者优化，得到使损失函数值最小的模型结果。
以讲解机器学习算法为主要目的的书籍，譬如周志华老师的《机器学习》和李航老师的《统计学习方法》，会详细介绍每一种算法的相关内容，而本书的重点是从整体上了解人工智能的全貌，不是解析每种机器学习算法的细节和步骤，所以对这些算法内容感兴趣的读者，可以参考上述两本书继续学习。现在回到我们的邮件过滤系统实战中来。
200
第三部分 第三波高潮
○一 解析解是方程的解析式（比如一元二次方程的求根公式），是方程的精确解，能在任意精度下满足方程；数值解是在一定条件下通过某种近似计算得出的数值，能在给定的精度下满足方程。