损失函数是机器学习和统计学中用于评估模型预测性能的重要工具。它们通过量化预测值与真实值之间的差异，帮助我们了解模型的准确性和可靠性。 1. 均方误差（MSE）：用于回归问题，计算预测值与真实值之间的平方差的平均值。MSE对较大的误差更加敏感，因此适合于需要惩罚大误差的场景。 2. 平均绝对误差（MAE）：同样用于回归问题，计算预测值与真实值之间的绝对差的平均值。MAE对异常值的敏感性较低，适合于对所有误差一视同仁的情况。 3. Huber损失：结合了MSE和MAE的优点，当误差小于某个阈值时使用MSE，超过该阈值时使用MAE。这使得Huber损失在处理异常值时更加灵活。 4. 余弦损失：用于向量比较，计算真实值与预测值之间的余弦相似度损失。适合于文本分类和推荐系统等需要比较向量相似度的场景。 请编写程序计算以上几种损失函数

输入描述:

输入的第一行是一个整数n，表示数据的个数。接下来的n行每行输入两个浮点数，用空格分隔，表示真实值和预测值。最后一行一个浮点数，表示huber的阈值

输出描述:

输出每种损失函数的值，保留6位小数。

备注:

支持numpy，pandas等库