条件对数似然度（conditional log-likelihood），工学-信息与通信工程-模式识别-统计模式识别-条件对数似然度，用于监督学习问题中的评价准则和优化目标。监督学习中的一个关键问题是如何量化地评价模型对训练数据的拟合程度，从而将模型学习问题转化为数值优化问题。条件对数似然度通常表示为。式中为输入数据；为输出数据；为模型参数。直观含义为：数据属于类别的对数似然。条件对数似然度具有良好的判别属性：最大化条件对数似然度不仅能够增加模型对正确类别的输出概率，同时由于概率的归一化属性，也能够降低模型对错误类别的输出概率。在监督学习中，条件对数似然度作为优化目标函数与交叉熵、KL散度等价，还具有便于求导等良好的计算性质。事实上，条件对数似然度是监督学习中最常用的目标函数之一，广泛应用于深度神经网络、概率模型（如逻辑回归、条件随机场等）的学习中。