我对统计决策理论与机器学习中损失函数的不同定义感到困惑。

在统计决策理论中，损失函数通常定义为$L(\theta, \delta(X))$， 在哪里$\theta$是真实的未知参数，$\delta(.)$是决策规则，并且$X$是数据（生成自$\theta$？）。例如，参见统计理论课的讲座。

在机器学习中，损失函数似乎定义为$L(y, f(X))$， 在哪里$y$是真正的标签并且$f(x)$是一些模型。例如，参见统计学习要素第 2.4 章。

我的问题是他们是否在谈论同一件事。好像不一样。例如，如果我要预测未知硬币的下一次抛硬币，那么我可以将抛硬币建模为遵循具有未知参数的伯努利分布$\theta$.

让$X$是一些历史数据。然后似乎统计决策理论的损失函数正在计算我的预测$\delta(X)$针对未知参数$\theta$而在 ML 中，它正在计算相同的预测$\delta(X)$（或者$f(X)$) 反对真实标签？

我很难调和这两个概念。