机器学习笔记：focal loss
- 开发
- 21
-
1 介绍
- Focal Loss 是一种在类别不平衡的情况下改善模型性能的损失函数
- 最初在 2017 年的论文《Focal Loss for Dense Object Detection》中提出
- 这种损失函数主要用于解决在有挑战性的对象检测任务中，易分类的负样本占据主导地位的问题，从而导致模型难以学习到难分类样本的特征
- Focal Loss 修改了标准的交叉熵损失函数，通过减少易分类样本的相对损失来增加对难分类样本的关注
- γ 是调节因子，用于控制易分类样本对损失的贡献减小的速率。
- 通过引入
，Focal Loss 能够降低那些已经被正确分类的样本（pt 较高）的损失贡献，使得模型更加关注那些难以正确分类的样本。
原文地址:https://blog.csdn.net/qq_40206371/article/details/139584365
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。
本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：https://www.suanlizi.com/kf/1800408639769546752.html
如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！
