不平衡数据集的Focal Loss调参

Focal Loss: FL(p_t) = -α_t·(1-p_t)^γ·log(p_t)

γ (聚焦参数 - Focusing Parameter)：

• γ=0: 退化为标准交叉熵
• γ=1: 中等衰减
• γ=2: 默认推荐，易分类样本权重下降~100x
• γ=5: 极度聚焦难样本，适合极端不平衡

调参策略：

• 正负比1:1000 → γ=2起步
• 正负比1:10000+ → γ=3-5
• γ过大 → 模型过度关注异常点/噪声，训练不稳定
• 先固定γ=2调其他超参数，最后微调γ

α (平衡权重 - Balancing Weight)：

• α∈[0,1]，控制正负样本整体权重比
• α_t = α (正类) / 1-α (负类)
• 通常设α = 负样本数量/总样本数量（即稀有类权重更高）
• 或直接用类别频率倒数归一化

组合策略：

• α平衡正负样本数量，γ聚焦难易程度
• 典型：γ=2, α=0.25（RetinaNet）
• 可网格搜索：γ∈[0.5,5], α∈[0.1,0.5]

应用差异：

• 目标检测：γ=2, α=0.25是标准配置
• 文本分类：γ=2-3, α=类别频率倒数
• 医学分割：γ=2-5取决于病灶占比