目標函數 是什麼？
Objective Function：目標函數 的完整解釋
目標函數是機器學習模型訓練中用於評估模型表現的函數，其數值代表模型預測與實際值的差距，優化目標是最小化或最大化此函數。
容易混淆
目標函數 vs 損失函數 目標函數：整體要優化的東西 損失函數：衡量單筆或一批樣本誤差的量 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
目標函數 vs 評估指標 目標函數：訓練時拿來更新參數 評估指標：訓練後拿來看表現 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
訓練要追的總分，就是目標函數。
實際案例
分類模型 把交叉熵設成目標函數，模型就會想把錯分類降到最低。
推薦排序 把點擊或排序品質寫進目標函數，模型就會朝業務想要的方向學。
算法與應用
目標函數可以是最小化形式，也可以是最大化形式。 很多時候它會由多個損失項組成，再加上正則化項。 設計得好，模型學到的方向就對；設計錯，模型可能只是努力追錯目標。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 目標函數 | 台灣正式用語 |
| 目标函数 | 簡體寫法 |
| Objective Function | 英文原名 |
| 代價函數（cost function）、損失函數（loss function） | 常被混用，但涵蓋範圍不同 |
| 適應度函數（fitness function） | 演化演算法脈絡下的對應詞，通常是要最大化 |
跟損失函數的關係
| 損失函數 | 目標函數 | |
|---|---|---|
| 範圍 | 衡量預測與真實值的差距 | 整個最佳化過程要最小化或最大化的東西 |
| 方向 | 一定是越小越好 | 可能是最小化也可能是最大化 |
| 包含什麼 | 只有誤差項 | 誤差項加正則化項，可能還有其他約束的懲罰 |
用一條式子說明兩者關係：
目標函數 = 損失項 + λ × 正則化項
損失項要模型貼合訓練資料，正則化項要模型保持簡單，λ 決定兩者的取捨。這就是為什麼「目標函數」的說法比「損失函數」更完整：實際在最佳化的從來不只是誤差。
帶約束的最佳化
很多實際問題不是「把某個值弄到最小」這麼單純，而是「在滿足一堆條件的前提下把某個值弄到最小」。
例如投資組合：目標是最大化預期報酬，約束是風險不超過某個上限、每檔持股不超過總資產的一定比例、權重總和等於 1。
處理約束的標準工具是拉格朗日乘數法：把約束乘上一個係數併進目標函數，變成無約束問題。不等式約束則用 KKT 條件。深度學習裡的權重衰減，本質上就是「權重範數不超過某個值」這個約束的拉格朗日形式。
設計目標函數時最容易犯的錯
目標函數就是你真正在要求的東西，不是你以為你在要求的東西。 系統會精確地最佳化你寫下的式子，包括你沒想到的那些解法。
常見的失敗是指標與意圖不一致：以觀看時長為目標的推薦系統會學會推聳動內容；以點擊率為目標的標題生成會學會做標題黨；只以準確率為目標的醫療模型在陽性率 1% 的資料上會學會全部猜陰性，準確率 99% 但完全沒用。
對策有三個方向：加約束（準確率為目標，但召回率不得低於某值）、多目標加權（同時考慮觀看時長與滿意度評分）、改用更貼近意圖的指標（用 F1 或 AUC 取代準確率）。
檢查方法很簡單：問自己「如果有人只想把這個數字衝高，他會怎麼作弊？」想得到的作弊方式，模型遲早會找到。
情境判斷
Q1（直覺題）：你把交叉熵放進訓練流程，模型在優化什麼？ → 目標函數，也就是訓練時真正要追的分數。
Q2（判斷題）：訓練時損失一直下降，但線上業務指標沒變好，問題可能在哪？ → 目標函數和真正業務目標沒對齊。
相關術語
常見問題
目標函數和損失函數有什麼差別？
目標函數更廣，損失函數通常是其中一部分。
它一定要是單一數值嗎？
訓練時通常要能轉成單一可優化目標。
怎麼知道設得好不好？
看它是否和真正任務、業務、或評估指標對齊。