在监督学习 （supervised learning）中，机器学习算法的目标是通过检验一堆 examples, 建立一个模型 (model)，以最小化 loss。
这个 loss，我的理解是，设置一个阈值，当曲线与 example 点的偏差小于某个差值时，表示这个 example 可以接受，否则则是 loss。训练出的最佳 model 即是能接受最多的 examples 的 model.
假设 x 轴代表博客文章数，y 轴代表日 UV，那么 Good 曲线比 bad 曲线的预测效果更好。
所以评判一个训练的出的 model 的好坏，就是判断其对 examples 的 loss 的多少。Loss 越少说明预测效果越好；反之，越差。
预测效果好坏的评判方法 - loss function
D 为 data set, 即一堆 labeled examples 的集合。
MSE = Mean Square Error 平方误差均值。MSE 是一种常见的 loss function，但并不是唯一的 loss function。