本文介绍了一种改进的损失函数——Focal Loss，旨在解决样本类别不均衡问题，包括正负样本及难易样本间的不平衡。该损失函数通过调整交叉熵损失函数，在训练过程中赋予不同样本不同的权重，从而提高模型对难分类样本的学习效率。
-
提出它是为了解决样本的类别不均衡的问题，包括正负样本不均衡和难易样本不均衡
-
它是在交叉熵损失的基础上修改的。因为数据标签会使用one-hot的方式，所以交叉熵损失实际上是样本真实标签对应的预测值对数的相反数
-
Focal Loss公式如下：
-
-
阿尔法是负责正负样本不均衡的，下一项括号是负责难易样本不均衡的，最后一项是交叉熵损失（要加上最前面的负号）
-
阿尔法的范围是0到1：越靠近1，正样本影响越大；越靠近0，负样本影响越大；等于0.5，这个参数等于没有
-
因为前面说的交叉熵损失的特征，当分类错误时，pt偏小，第二项更靠近1；当分类正确时，pt偏大，第二项更靠近0，这样就提高了难分类样本的影响
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
