什么是目标函数？
定义是：指所关心的目标与相关的因素的函数关系。举个例子，假如我们想要预测公司楼下手抓饼店明天能卖多少张手抓饼，已知过去10天每天卖多少，以及每天的天气情况，是否有节假日，和手抓饼店老板和老板娘的感情状况，这几项数据都统计好了。对应到目标函数的解释就是：
- 关心的目标是明天能卖多少手抓饼，未知量。
- 相关因素是每天数量，天气情况，节假日，老板老板娘感情状况，已知量。
- 目标函数：按照一定的思路把这些已知条件利用起来，去求解未知量的函数关系式。
损失函数
也叫代价函数，是同一个东西。是用来评估模型的预测值f(x)与真实值Y的差距，它是一个非负实值函数。稍等一下，为什么是非负的呢？举个例子：比如上面说的手抓饼，模型预测第一天是30，真实值是29，差距30-29是1；预测第二天是35，真实值是36，差距35-36是-1；如果把它们直接加起来就是1-1 = 0，难到没有差距？非常明显是错误的，差距是0人家还以为都预测对了呢，其实都预测错了，所以不能有负值，可以用绝对值，平方或者一些其它的数学运算。
常用的损失函数有：
- LR逻辑回归：log对数损失函数 参考：https://xiaozhuanlan.com/topic/7491865230
- 最小二乘法：平方损失函数 参考： https://xiaozhuanlan.com/topic/3129560874
- Adaboost：指数损失函数 （后面会专门介绍这个算法）
好的，现在我们再来看一下目标函数通常的定义形式：
Obj(Θ)=L(Θ)+Ω(Θ)
中文翻译一下是 ：
目标函数 = 损失函数 + 正则项
目标函数和损失函数我们都理解了，那么正则项是干什么的呢？
正则化
回到我们前面举的那个例子，如果第五天有个人中彩票了然后兴奋的来买了1百张手抓饼，比几天的量都多，很明显这个情况会影响我们的模型训练，这个情况就是过拟合。而加入正则项的目的就是使模型避免过拟合。
常用的有L1，L2正则化，很熟悉对不对，前面讲过的线性代数中的L1，L2范数有些类似。其实本质是一样的，在机器学习里叫正则化，线性代数叫范数，统计学里叫惩罚项。
机器学习里：L1使用的是绝对值距离，也叫曼哈顿距离，L2使用的是平方距离，也叫做欧式（Euclidean）距离
线性代数：L1 范数计算的是向量所有元素绝对值的和，L2 范数计算的是通常意义上的向量长度 参考：
https://xiaozhuanlan.com/topic/4961780352
总结：
介绍了目标函数，损失函数和正则项的作用，优化损失函数使模型避免欠拟合使损失函数最小化，优化正则项使模型避免过拟合。