---
title: "目標函數（Objective Function）"
slug: objective-function
language: zh-TW
source: https://aiterms.tw/terms/objective-function
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 模型訓練, 最佳化, 模型評估, 數學基礎, iPAS中級]
ipas_term: false
---

# 目標函數（Objective Function）

> **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。
>
### 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。
>
### 常見問題

> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語

> - **損失函數**：這是目標函數最常見的組成。
> - **演算法**：優化目標要靠演算法來跑。
> - **超參數調校**：目標函數常會和它一起調。
> - **深度學習**：訓練神經網路時一定會碰到。
> - **交叉驗證**：設計好目標後，還要驗證是否真的有效。

---

來源：https://aiterms.tw/terms/objective-function
快查頁：https://aiterms.tw/terms/objective-function
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-objective-function