---
title: "焦點損失函數（Focal Loss）"
slug: focal-loss
language: zh-TW
source: https://aiterms.tw/terms/focal-loss
updated_at: 2026-04-29
tags: [深度學習, 模型訓練, 模型評估, 電腦視覺, 最佳化]
ipas_term: false
---

# 焦點損失函數（Focal Loss）

> **你有沒有遇過少數類別很難抓，模型卻一直偏向多數類別？**
>
> 你可以把焦點損失函數想成把注意力放回難分類、少出現的樣本，讓模型不要只顧著容易的題目。
>
> 它重要，是因為很多真實資料都很不平衡，像詐欺、病灶或瑕疵本來就少，普通損失函數很容易把它們忽略掉。

### 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
> **Q：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。
>
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **交叉熵損失**：先懂它，才知道焦點損失改了哪裡。
> - **資料不平衡**：焦點損失幾乎就是為它而生。
> - **精確率**：看少數樣本時，常會一起觀察這個指標。
> - **召回率**：少數類別沒抓到，通常最直接影響它。
> - **損失函數**：理解這個大類，才會知道焦點損失的位置。

---

來源：https://aiterms.tw/terms/focal-loss
快查頁：https://aiterms.tw/terms/focal-loss
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-focal-loss