焦點損失函數 是什麼？

Focal Loss — 焦點損失函數 的完整解釋

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。

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。

記住這句就好

少數又難的樣本，才是它真正要盯的目標。

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。

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

焦點損失只適合影像任務嗎？

不只，任何類別不平衡的分類任務都可能用到。

它能完全解決不平衡資料嗎？

不能，它只是工具之一，常還要搭配採樣或權重調整。

和召回率有什麼關係？

它常被用來提高少數類別的抓取能力，進而幫助召回率。

難樣本一定比較重要嗎？

不一定，要看資料裡的難樣本是不是噪聲，不是所有難樣本都該被放大。