搜尋意圖： 如果你在找「目標函數 是什麼」或「目標函數 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，模型訓練到底是在努力把什麼變小或變大？ 你可以把它想成考試標準，模型每次改參數，都在想辦法讓這個分數更好。 目標函數定義了優化方向，是訓練過程真正要追的目標。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。 這種寫法常用在需要先把問題定義清楚，再逐步提升模型品質的場景。
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？
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？
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。