Если нужно предсказать сколько телевизора купят и прогноз будет 2.3454 телика это странно

Демагогия 100 уровня

у меня он открывается как текстовый

скачивается как текстовый

скачивается как текстовый

Вы вообще какой тезис отстаиваете?

Не бросаться тезисами

Все так, верно. Функции ошибки, применяемые в регрессии, как раз и являются одними из метрик качества — их надо минимизировать. А в классификации принято наоборот — брать те метки качества, которые необходимо максимизировать — это как раз перечисленные доля правильных ответов, точность, полнота и площади кривых

минимизируется одна функция ошибки, для некоторых моделей требуется,, чтобы она должна быть дифферинцируемой. а метрик качества может быть несколько, в том числе и совпадать с функцией ошибки. например - задача классификации, функция ошибки - logloss, а метрики качества нужны например roc_auc, recall и precision. метрика качество - это то, ради чего, собственно, модель и строится.

Функция ошибки - это то, что вы минимизируете при регрессии и максимизируете при классификации. Измеряется на обучающей выборке и в соответствии с заданными условиями подбираются параметры модели так, чтобы добиться лучшего качества.
Далее, на тестовой выборке проверяется, достигается ли то же или сопоставимое качество работы модели.
Для этого уже используются метрики качества.
Или вы о чем-то другом спрашивали?

Если очень по простому, функции потерь дифференцируемы и за счёт этого они используются при обучении, модели. То есть модель в процессе обучения рассчитывает функцию потерь и путём подбора параметров уменьшает ее значение. То есть модель как бы знает значение функции потерь и стремится его уменьшить. А вот функция качества, если она не совпадает с функцией потерь (accuracy , recall, precision, roc-auc, f1...)как бы не известна модели и на прямую модель не оптимизирует качество.

Можно сказать ещё так, что функция потерь участвует в обучении модели а функция качества нет - она только лишь даёт оценку качества модели.

Ещё один пример: в задачах классификации, если мы используем логистическую регрессию в обучении в качестве функции потерь применяется функция кросс-энтропии(logloss), а вот метрикой качества у нас может быть и roc-auc, если нам требуется предсказать вероятность принадлежности объекта к классу, а может быть f1, в случае если нам не нужна вероятность отнесения объектов к классу, но классы при этом имеют дисбаланс, а можно использовать accuracy, если классы сбалансированы.

Можно ещё сказать, что тип функции потерь как бы определяется выбором модели, а метрика по которой оценивается качество модели определяется некой логикой. И как выше говорили, одну и туже модель можно оценивать разными метриками.

Еще один "глупый" вопрос... В большинстве случаев в источниках указывается в регуляризации RSS, но вчера пару раз наткнулся на "функция потерь + регуляризационный параметр". Вопрос: при регуляризации используется выбранная нами функция потерь, а не RSS всегда и везде?