如果神经网络的拟合值残差不符合正态分布，可以考虑使用一些特殊的损失函数来进行约束。一种常见的方法是使用基于分位数的损失函数，例如Quantile Loss。
Quantile Loss是一种基于分位数的损失函数，可以用来约束神经网络的预测值分布。该损失函数的形式如下：
其中，是实际值，
是预测值，
是分位数（通常取值为0.1、0.5或0.9）。该损失函数的含义是，当
大于等于0时，损失函数为
，否则为
。这样设计的损失函数可以让神经网络更加关注预测值的分布情况，从而更好地约束预测值的分布。
除了Quantile Loss之外，还有一些其他的损失函数可以用来约束神经网络的预测值分布，例如Huber Loss和Log-Cosh Loss等。这些损失函数的选择应该根据具体的问题和数据情况来进行调整。
Quantile Loss（分位数损失）是一种用于衡量预测值与实际值之间差异的损失函数。它通常用于评估回归模型的性能。
Quantile Loss 的公式如下：
其中， 是实际值，
是预测值，
是分位数，取值范围为
。
当 时，Quantile Loss 等价于 Mean Absolute Error（平均绝对误差）；当
时，Quantile Loss 等价于 Mean Squared Error（均方误差）。
在训练回归模型时，我们可以使用 Quantile Loss 作为损失函数，通过最小化损失函数来优化模型参数，以达到更好的预测效果。
