objectivefunction

目标函数（objective function）是数学优化和机器学习里用来衡量“方案好坏”的那个函数，它把一个或多个输入变量映射成一个数值，优化过程就是让这个数值尽可能大或尽可能小。它和模型训练、参数估计、资源分配、路径规划等问题直接相关，本质上是把现实目标翻译成可计算的数学表达式。

基本含义与用途

在优化问题中，目标函数定义了“想要什么”。比如做回归时，常用误差平方和作为目标函数，训练模型就是最小化它；做投资组合时，可能用收益减风险作为目标函数，希望最大化。目标函数可以只有一个（单目标优化），也可以有多个（多目标优化），后者往往需要在不同目标之间做权衡。它的形式决定了问题的难度：线性目标配线性约束通常好解，非凸、不可导或含噪声的目标则难得多。

常见问题

实际使用中，目标函数容易出三类问题。一是写错方向，该最小化的写成最大化，结果越优化越差。二是目标与真实需求脱节，比如只优化准确率却忽略误判代价，模型上线后效果不理想。三是目标函数不可导或计算昂贵，导致梯度方法失效或训练太慢。此外，多目标时若简单加权求和，权重设置不当会让某个目标被“淹没”。

怎么判断与怎么选

判断一个目标函数是否合适，先看它是否可计算、是否与业务目标一致、是否对异常值敏感。选择时，优先用领域内成熟的形式（如分类用交叉熵、回归用均方误差），再根据数据特点调整。若目标难优化，可考虑替代损失或松弛方法；若多目标冲突明显，可先用加权法试算，再观察结果是否合理。最后，建议在小规模数据上验证目标函数的下降是否带来真实指标提升，避免“优化了数字、没优化效果”。