---
title: "拉格朗日乘數（Lagrange Multiplier）"
slug: lagrange-multiplier
language: zh-TW
source: https://aiterms.tw/terms/lagrange-multiplier
updated_at: 2026-04-29
tags: [最佳化, 數學基礎, 機器學習, 模型訓練, 統計方法]
ipas_term: false
---

# 拉格朗日乘數（Lagrange Multiplier）

> **你要在預算有限的情況下找最好的方案，怎麼把限制一起算進去？**
>
> 你可以把它想成在目標旁邊加一個「代價權重」，讓限制條件一起參與計算。
>
> 拉格朗日乘數是一種尋找約束條件下函數極值的方法。它引入拉格朗日函數，將約束條件納入目標函數，從而將約束優化問題轉化為無約束優化問題。

### 容易混淆
> **無約束最佳化**
> 無約束最佳化沒有額外限制，拉格朗日乘數處理的是有條件的最佳化。
>
> **KKT 條件**
> KKT 是不等式約束的延伸，拉格朗日乘數是更基礎的起點。

### 記住這句就好
> 限制條件也要一起算，這就是拉格朗日。

### 實際案例
> **預算分配**
> 想把廣告預算分給不同管道，同時又不能超支，就會碰到約束最佳化。
>
> **支持向量機**
> SVM 的最佳間隔問題，本質上就是用拉格朗日方法處理約束。

### 算法與應用
> 拉格朗日乘數把原本的約束問題改寫成拉格朗日函數，讓你可以用求導的方式找最優點。乘數本身常可視為影子價格，代表放寬約束一點點，目標值會改善多少。

### 情境判斷
> **Q1（直覺題）：** 如果你現在遇到一個 預算分配 的場景，這個概念會是第一個想到的工具嗎？
> → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
>
> **Q2（判斷題）：** 如果你把它和 KKT 條件 一起用，結果反而變不穩，通常該怎麼想？
> → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。

### iPAS 考題
> **出題方向：** 這類概念常考定義、差異和實務用法。
> **題目** 拉格朗日乘數的主要作用是什麼？
> → **答案：把約束條件納入最佳化。** 它會把有條件的問題改寫成較容易處理的形式，讓你可以在同一個框架下找最優解。

### 常見問題
> **Q：拉格朗日乘數 最容易跟 無約束最佳化 混淆嗎？**
> 無約束最佳化沒有額外限制，拉格朗日乘數處理的是有條件的最佳化。
>
> **Q：什麼情況會用到 拉格朗日乘數？**
> 你可以把它想成在目標旁邊加一個「代價權重」，讓限制條件一起參與計算。 實務上只要你要處理和這個概念相符的任務，就會用到它。
>
> **Q：初學者最常錯在哪裡？**
> KKT 是不等式約束的延伸，拉格朗日乘數是更基礎的起點。

### 相關術語
> - **目標函數**：讀完這個後，接著看它，可以把 拉格朗日乘數 放回更完整的系統脈絡裡。
> - **凸優化**：讀完這個後，接著看它，可以把 拉格朗日乘數 放回更完整的系統脈絡裡。
> - **代價函數**：讀完這個後，接著看它，可以把 拉格朗日乘數 放回更完整的系統脈絡裡。
> - **貝氏定理**：讀完這個後，接著看它，可以把 拉格朗日乘數 放回更完整的系統脈絡裡。

---

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