---
title: "損失関数（Loss / Cost / Objective）とは？【違いと使い分け｜G検定対策】"
description: "損失関数の役割を、モデルの予測誤差を数値化して学習を進める基準として整理します。Loss、Cost、Objectiveの違いと、G検定で迷いやすい使い分けを確認できます。本文では、基本定義、代表例、関連用語との違い、G検定で問われやすい観点まで短時間で復習できます。"
last_modified_at: "2026-05-15"
canonical_url: "https://stemtazoo.github.io/gk/loss-function/"
section: "gk"
---

## まず結論
- **損失関数（Loss / Cost / Objective）**とは、モデルの予測と正解のズレを数値化する関数である。
- G検定では「**学習で最小化する対象は何か**」を理解していれば、3つはほぼ同義として扱ってよい。

## 直感的な説明
損失関数は、  
**「今のモデルはどれくらいダメか？」を点数で表す仕組み**です。

- 点数が大きい → 予測が外れている  
- 点数が小さい → 予測が正解に近い  

👉 学習では、この点数を **できるだけ小さくする** ようにモデルを調整します。

## 定義・仕組み
### 損失関数（Loss Function）
- **1つのデータ（サンプル）に対する誤差**
- ニューラルネットワークの学習で最も基本的に使われる用語

例：
- 二乗誤差
- 交差エントロピー誤差

---

### コスト関数（Cost Function）
- **複数データに対する損失の平均や合計**
- データセット全体の誤差を表す

👉 Loss をまとめたもの、と考えると分かりやすい。

---

### 目的関数（Objective Function）
- **最適化で最小化（または最大化）したい関数の総称**
- 損失関数やコスト関数を含む、より広い概念

👉 「学習のゴール」となる関数。

## いつ使う？（得意・不得意）
### 実務・論文での使い分け
- Loss：1サンプル単位の誤差
- Cost：全体の誤差
- Objective：最適化対象の総称

### G検定での扱い
- **基本的に同義として扱ってOK**
- 「勾配降下法で最小化するもの」＝損失関数

## G検定ひっかけポイント
ここが頻出です 👇

### よくある誤解
- ❌ 損失関数と目的関数は全く別物  
- ❌ コスト関数は測定誤差を表す  

### 正しい判断基準
- 「学習」「パラメータ更新」「最小化」  
  → **損失関数（Loss / Cost / Objective）**

### 関係まとめ（試験用）
- Loss ⊂ Cost ⊂ Objective  
（細かい違いはあるが、試験ではまとめてOK）

## まとめ（試験直前用）
- 損失関数＝予測と正解のズレ
- 勾配降下法は **損失関数を最小化**
- Loss / Cost / Objective はほぼ同義
- 測定誤差・偶然誤差とは別概念
- 「学習で最小化」→ 損失関数