样本不均衡与长尾问题的损失函数和采样策略
哪些公司问过
答案要点
- 采样:过采样、欠采样、类别均衡采样;解耦训练先学表示再均衡重训分类头
- 加权交叉熵:按类别频次倒数或平方根倒数加权
- Focal Loss:乘以 (1-p)^γ 降低易分样本权重,配合 α 平衡类别
- Class-Balanced Loss 用有效样本数定权;logit adjustment 在 logit 上做类别先验校正
- 按头、中、尾分组评估,并看召回、F1、PR 曲线等指标
易错点
- 只看整体准确率,尾部类别表现被掩盖
- 过度加权导致头部类别精度大幅下降,需要权衡
- 训练时改变了类别分布却不校准预测概率,线上阈值失真
面试官常见追问
- Focal Loss 中 γ 和 α 分别起什么作用?
- 过采样有什么风险?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。