損失関数（Loss Function）とは、機械学習モデルの予測値と実際の正解値との誤差を数値化する関数です。コスト関数（Cost Function）や目的関数（Objective Function）とも呼ばれ、モデルの学習において最小化すべき指標として用いられます。
損失関数の役割
損失関数はモデルの「成績表」のようなものです。損失関数の値が小さいほど、モデルの予測が正解に近いことを意味します。学習プロセスでは、勾配降下法などの最適化アルゴリズムを用いて、この損失関数の値を最小化するようにモデルのパラメータを更新していきます。
代表的な損失関数
回帰タスクでは、平均二乗誤差（MSE: Mean Squared Error）や平均絶対誤差（MAE: Mean Absolute Error）が一般的です。分類タスクでは、交差エントロピー損失（Cross-Entropy Loss）やヒンジ損失（Hinge Loss）が広く使われています。
損失関数の選び方
適切な損失関数の選択はモデルの性能に大きく影響します。タスクの種類（回帰か分類か）、データの分布、外れ値の有無などを考慮して選択する必要があります。また、複数の損失関数を組み合わせたカスタム損失関数を設計することもあります。