题目明确指出 高估成本 > 低估成本。模型应当倾向于保守预测（即宁愿少预测一点，也不要多预测）。 A选项：MSE是对称的，无法处理非对称成本。 B选项：Quantile Loss确实用于非对称场景。但题目中高估代价大，意味着我们要惩罚高估（y ̂>y）。在Quantile Regression中，如果我们要让预测值偏低（保守），通常选取较低的分位数 τ。然而，B选项的公式描述的是Quantile Loss的通用形式，我们需要检查惩罚力度。若 τ< 0.5，则低估（y≥y ̂）的权重 τ 较小，高估（y 1”，这直观地对应了“高估代价更大”的业务逻辑，比B更符合常规的回归建模（除非明确做分位数回归）。 C选项构建了一个非对称的MSE（Asymmetric Least Squares）。当预测值大于真实值（高估）时，梯度被放大 α 倍，迫使模型往小了预测，完全符合题目“高估成本远大”的需求。 D选项：Huber Loss主要是为了鲁棒性，解决异常值问题，本身是对称的。