页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「类别不平衡」找到 8 条内容
按专题浏览 →匹配正文：…。 应用与风险 Focal Loss 最初用于 RetinaNet 的密集目标检测，缓解大量易背景样本压过稀少前景信号。它不是所有类别不平衡的默认答案：错标或异常样本也可能长期保持低 p_t，不会像易样本那样被强烈下调，因此在总损失与梯度中的相对占比可能升高；这不等于相对普通 CE 的绝对梯度会被持续放大。应与加权 CE、重采样、类别均衡损失比较，并分层报告 PR-AUC、各类 recall/precision、校准和最坏切片。 没有论文证据时，不应声称 Focal Loss…
匹配题目：… Loss各有适用场景。请分析为何通常不推荐使用MSE作为分类损失，并详细解释Focal Loss是如何通过调节难易样本权重来缓解类别不平衡问题的，包括其公式中γ和α参数的作用机制。
匹配标题与标签：验证集分布：以部署目标为准 验证集应代表部署目标；结合分层、按组和按时间切分，避免数据泄漏与评估偏差 项目与经历 数据划分 类别不平衡 分布偏移 模型泛化 评估可靠性 2026真题 验证集类别分布 训练验证测试集划分 部署分布模型评估 不平衡数据验证集 时间切分数据泄漏 项目落地经验 字节
学习内容与项目面试，在同一条路上。