AITerms 登入
深度學習模型訓練模型評估

焦點損失函數(Focal Loss)是什麼?

焦點損失函數 (Focal Loss) 是一種用於解決物件偵測中類別不平衡問題的損失函數,它通過降低易分類樣本的權重,使模型更關注難分類樣本。

完整定義

焦點損失函數 (Focal Loss) 是一種旨在解決物件偵測任務中類別不平衡問題的損失函數。在物件偵測中,通常存在大量的背景樣本(易分類樣本)和少量的物件樣本(難分類樣本)。Focal Loss 通過降低易分類樣本的權重,使模型更關注難分類樣本,從而提高物件偵測的性能。

白話說明

你有沒有遇過少數類別很難抓,模型卻一直偏向多數類別?

你可以把焦點損失函數想成把注意力放回難分類、少出現的樣本,讓模型不要只顧著容易的題目。

它重要,是因為很多真實資料都很不平衡,像詐欺、病灶或瑕疵本來就少,普通損失函數很容易把它們忽略掉。

記住這句

少數又難的樣本,才是它真正要盯的目標。

比喻:焦點損失函數就像一位老師在批改考卷 -- 他不會花太多時間在那些答對的簡單題目上,而是會把更多精力放在那些學生一直答錯的「難題」上,直到學生真正學會為止。

容易混淆

焦點損失函數 vs 交叉熵損失

交叉熵對所有樣本大致一視同仁。

焦點損失會降低容易樣本的權重,讓難樣本更有存在感。

焦點損失函數 vs 類別不平衡處理

類別不平衡處理是更大的問題範圍。

焦點損失是其中一種常見解法,特別常和深度學習一起用。

實際案例

詐欺偵測

真正詐欺交易很少,焦點損失能讓模型更重視那些少數但關鍵的案例。

瑕疵檢測

正常品很多、瑕疵品很少時,用它能降低模型只會猜正常的傾向。

演算法與應用

它會對容易分類的樣本降低損失貢獻,讓訓練更偏向錯分或罕見樣本。

在目標偵測、異常檢測和醫療分類裡,它都是很常見的選擇。

情境判斷

Q1:如果資料嚴重不平衡,交叉熵常常會出現什麼問題?

它容易被多數類別主導,少數類別學得不夠。

Q2:如果資料本來就很平均,焦點損失一定更好嗎?

不一定,若沒有不平衡問題,過度強調難樣本未必划算。

常見問題

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本