Cost Function (Funkcja kosztu) – mierzy błąd modelu.

Funkcja kosztu jest miarą wykorzystywaną w uczeniu maszynowym i sztucznej inteligencji do oceny jakości przewidywań modelu w odniesieniu do rzeczywistych danych. Pełni rolę podstawowego wskaźnika błędu, informując, na ile prognozy generowane przez model odbiegają od oczekiwanych wartości. Wartość tej funkcji jest kluczowa podczas procesu trenowania modelu, ponieważ na jej podstawie optymalizowane są parametry, dążąc do minimalizacji błędu.

W praktyce funkcję kosztu definiuje się jako matematyczne wyrażenie, które agreguje różnice między wynikami modelu a danymi treningowymi. Popularne przykłady to błąd średniokwadratowy (MSE) w regresji czy entropia krzyżowa stosowana w klasyfikacji. Wybór konkretnej funkcji kosztu jest uzależniony od rodzaju problemu oraz charakterystyki danych, co wpływa na efektywność i stabilność procesu uczenia.

Optymalizacja funkcji kosztu realizowana jest zwykle za pomocą algorytmów takich jak metoda gradientu, które iteracyjnie dostosowują parametry modelu, zmierzając do minimalizacji wartości błędu. Dzięki temu funkcja kosztu stanowi fundamentalne ogniwo w procesie budowania modeli sztucznej inteligencji, pozwalając na systematyczne poprawianie ich dokładności i zdolności generalizacji.