Focal Loss和Balanced CE(样本比例不均衡问题)

Focal Loss和Balanced CE(样本比例不均衡问题)

1.信息量

当越不可能的事件或者相关程度越高的事件（今天中午总统吃什么，与我们相关程度低，信息量小；但是对于想应聘总统厨师的人来说，这件事的信息量就很大）发生了，我们获取到的信息量就越大，反之信息量越小。

样本不足会导致模型信息量不足，从而不能很好的拟合数据

2.熵

熵用来表示一个系统中所有信息量的期望，也可以用来表示一个系统的混乱程度

3.相对熵

用来衡量两个分布的差异，或者说是一个分布变换到另一个分布需要的信息增量

在机器学习中，预测分布Q在训练的过程中信息量不足，虽然可以大致描述，但是描述得有偏差，需要额外的一些信息增量才能达到和样本真实分布一样的描述。经过反复训练后，信息量足够描述后就不需要额外的信息增量了。

相对熵=p的熵-pq交叉熵：

4.交叉熵

评估标签和预测值之间的差距，而相对熵中p的熵是不变的，所以只需关注交叉熵即可

在机器学习中常用交叉熵作loss

5.交叉熵应用

5.1 单标签多分类任务

一张图片只被归为一个标签，对应的一个batch的loss就是：

image-20220313144748836

5.2 多标签多分类任务

一张图片可能会被归为多个标签，每个Label都是独立分布的，可以用交叉熵对每个独立的类别进行计算，每个类别只有是或不是两种可能，服从弄二项分布，每个类别对应的交叉熵为：

image-20220313145145469

如果一张图片中同时存在青蛙和老鼠，且预测结果如下：

则loss=loss猫+loss蛙+loss_鼠，而损失方式计算如下：

image-20220313145344159

总结

对于多分类任务(包括二分类)的交叉熵损失为：

image-20220313150602363

其中y_i表示真实概率，p_i表示预测概率

6. focal loss

focal loss最初用于图像领域解决是数据不平衡造成的模型性能问题。

6.1 样本不均衡问题

例如，在欺诈识别的案例中，好坏样本的比例为10000 : 1，这样模型很容易学习到一个把所有样本都预测为好的模型，也就是模型没有拟合到极大似然，而是只学习到了先验(样本分布)，导致模型欠拟合。

影响

样本不均衡带来的根本影响是：模型会学习到样本比例这个先验信息，类别不均衡下的分类边界会侵占少数样本类的区域，也就是影响模型学习的更本质的特征，影响模型的鲁棒性。

img

问题分析

减少模型学习样本分布(先验信息)，让模型学习数据的本质特征，这样就能解决样本不均衡问题。

必要性

从分类效果出发，不均衡对于分类结果的影响不一定是不好的（除了在预测精度要求比较高等环境下），什么时候需要解决样本不均衡(抑制先验影响)呢？

• 判断任务是否复杂：任务的复杂度越高，对样本不均衡越敏感（特征量、噪音等都和任务的复杂度相关）
• 训练样本分布与真实样本分布不一致
• 不均衡样本中占少数的那个类别数量是不是实在太少，导致模型学习不到好的特征。
  • 解决方法
    • 解决样本不均衡的情况
    • 使用一些数据增强的方法
    • 尝试像异常检测这种的单分类模型

样本不均衡问题解决

在学习任务有些难度的情况下，我们可以通过一些方法使得不同类别的样本对模型学习时的loss贡献权重均衡，从而消除模型对不同类别的偏向性，学到更为本质的特征。

我们现在就开始探讨这些解决方法：

6.1.1 样本层面

• 欠采样和过采样
  • 欠采样：减少多数类的数量（如随机欠采样、NearMiss、ENN等）
  • 过采样：尽量多地增加少数类的样本数量（如随机过采样、数据增强等），使得类别间项目均衡
  • 混合采样：如smote+ENN
• 数据增强
  • 单样本增强(主要用于图像)：几何操作(翻转缩放)、颜色变换、随机擦除(裁剪)、添加噪声等方法，imgaug库
  • 多样本增强：通过组合及转换多个样本，主要有Smote、SamplePairing、Mixup等方法，在特征空间内构造已知样本的邻域值样本

  

  image-20220313175211682

  • 基于深度学习的数据增强
    • 生成模型如变分自编码网络(VAE)和生成对抗网络(GAN)

    

    image-20220313175505963

缺点及解决方案

• 随机欠采样可能会导致丢弃含有重要信息的样本，在计算性能足够的情况下，可以考虑根据数据分布的采样方法(通常是基于距离的邻域关系)，如ENN、NearMiss等
• 随机过采样或数据增强样本也有可能是引入片面噪声，导致过拟合；也可能是引入信息量不大的样本。此时需要考虑调整采样方法，或者通过半监督算法(可借鉴Pu-Learning思路)选择增强数据的较优子集，以提高模型的泛化能力

6.1.2 损失函数层面

损失函数层面主流的方法就是代价敏感学习(cost-sensitive)，即为不同分类损失给予不同的惩罚力度(权重)，在调节类别平衡的同时，也不会增加计算复杂度。

• 常用方法 class weight：scikit库中内置的方法，可以为不同类别的样本提供不同的权重(少数类的权重更高)，从而平衡各类别的学习。如clf2=LogisticRegression(class_weight={0:1,1:10}) # 代价敏感学习为少数类分配更高的权重，以避免决策偏重多数类的现象（类别权重除了设定balanced，还可以作为一个超参搜索） OHEM和Focal Loss：类别的不平衡可以归结为难易样本的不平衡，而难易样本的不平衡可以归结为梯度的不平衡，OHEM和Focal Loss都做了两件事：难样本（错分类(或者说是高损失)的样本）挖掘和类别的平衡。（另外还有GHM、PISA等方法） OHEM(Online Hard Example Mining)算法的核心是选择一些hard examples（多样性和高损失的样本）作为训练样本，针对性地改善模型学习效果。对于数据类别不平衡问题，OHEM的针对性更强。 Focal loss的核心思想是在交叉熵损失函数的基础上，增加了类别的不同权重以及困难（高损失）样本的权重，以改善模型学习效果。p_t表示与真实值接近程度，越大越接近，即分类越准确（也可以说p_t反映了分类的难易程度。p_t越大，说明分类置信度越高，样本越易分；反之越难分）。系数(1-p_t)^\gamma是调节因子，相比交叉熵损失，==Focal Loss对于分类不准确的样本损失没有变化，对于分类准确的样本损失会变小==。整体而言，相当于增加了分类不准确样本的权重。 平衡交叉熵函数：合理分配权重，平衡损失函数分布，即在损失函数中增加惩罚项\alpha ，其中\frac{\alpha}{1-\alpha}=\frac{n}{m}，权重根据样本分布设置