由于NumPy，在多元线性回归中存在两种不同的成本

在多元线性回归中，可以使用两种不同的成本函数来优化模型参数。一种是最小二乘法（Ordinary Least Squares，OLS），另一种是平均绝对误差（Mean Absolute Error，MAE）。

下面是使用NumPy库实现这两种成本函数的示例代码：

import numpy as np

# 样本数据
X = np.array([[1, 1], [1, 2], [1, 3], [1, 4]])
y = np.array([2, 3, 4, 5])

# OLS成本函数
def ols_cost(X, y, theta):
    m = len(y)
    predictions = X.dot(theta)
    ols_cost = (1/(2*m)) * np.sum(np.square(predictions-y))
    return ols_cost

# MAE成本函数
def mae_cost(X, y, theta):
    m = len(y)
    predictions = X.dot(theta)
    mae_cost = (1/m) * np.sum(np.abs(predictions-y))
    return mae_cost

# 初始化模型参数
theta = np.zeros(X.shape[1])

# 计算OLS成本
ols_cost_value = ols_cost(X, y, theta)
print("OLS成本：", ols_cost_value)

# 计算MAE成本
mae_cost_value = mae_cost(X, y, theta)
print("MAE成本：", mae_cost_value)

上述代码中，ols_cost函数计算了使用最小二乘法的成本函数，mae_cost函数计算了使用平均绝对误差的成本函数。通过传入样本数据和模型参数，即可计算出对应的成本值。