---
title: "長尾學習（Long-tail Learning）"
slug: long-tail-learning
language: zh-TW
source: https://aiterms.tw/terms/long-tail-learning
updated_at: 2026-06-23
tags: [不平衡學習, 類別不平衡, 焦點損失, 推薦系統, 電商]
ipas_term: false
---

# 長尾學習（Long-tail Learning）

在數據分布遵循長尾分布的任務中進行學習，其中少數類別擁有大量樣本，多數類別樣本稀缺。

## 完整說明

長尾學習（Long-tail Learning）是在長尾分布（Power-law 分布）的數據上進行機器學習的方法。在許多現實應用中（如電商推薦、圖像分類），數據分布往往呈現長尾特徵：頭部少數品類/類別擁有豐富數據（如暢銷產品），而尾部眾多品類/類別樣本極少。這種不平衡分布導致模型偏向頭部類別，尾部類別性能極差。

## 常見問題

### 焦點損失（Focal Loss）為什麼特別適合長尾問題？

焦點損失通過引入一個動態權重因子 (1 - p_t)^γ，自動降低『易分類樣本』的損失，放大『難分類樣本』的梯度。在長尾數據中，頭部類別樣本多且容易分類（模型快速學會），其損失被自動降權；尾部類別樣本少且難分類，其損失被自動升權。這種『自適應難度加權』相較傳統交叉熵，無需手動設定 class_weight 即能自動適應長尾分布，提升尾部類別性能。此外，焦點損失還避免了背景類（或多數類）主導梯度更新的問題，使模型訓練重心轉向尾部類別。

### 怎樣評估長尾分類模型才能準確反映真實性能？

千萬不能只用『總體準確率』，那會被頭部類別完全掩蓋。應該用『平衡準確率（Balanced Accuracy）』，即各類別召回率的算術平均。或者用『宏觀 F1（Macro F1）』，分別計算各類別的 F1 Score 再取平均，這樣一個類別的 F1 無論樣本多少都佔等比重。在電商或推薦場景中，有時也會按商品銷售額加權評估（尾部但高利潤的商品權重高）。還應繪製『類別 vs. 準確率』的分布圖，清晰看到頭部、中部、尾部各個分層的性能，而非單一數字掩蓋真相。

### 尾部類別樣本太少時，什麼方法效果最好？

沒有銀彈，需組合應用：第一，代價敏感學習或焦點損失確保模型不會忽視尾部；第二，自監督預訓練習得強鯨基表示，減少對少量尾部標注的依賴；第三，對尾部樣本應用更激進的資料增強（如 RandAugment）或過採樣（SMOTE），增加尾部在訓練中的曝光；第四，考慮元學習（Meta-learning）或少樣本學習（Few-shot Learning），這些方法專為『少數樣本學習新概念』而設計；第五，在決策層調整分類器邊界，用貝葉斯重加權平衡頭尾類的先驗。如果資源允許，最直接的方案仍是蒐集更多尾部數據，『用數據解決問題』往往比複雜算法更有效。

---

來源：https://aiterms.tw/terms/long-tail-learning
快查頁：https://aiterms.tw/terms/long-tail-learning
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-long-tail-learning