机器学习模型可以在提供足够的训练数据的情况下表现得非常好。不幸的是，访问高质量数据仍然是许多应用程序的障碍。解决这个问题的一种方法是“数据增强”，这是一种从现有样本生成新训练样本的技术。数据增强是一种低成本且有效的方法，可以在数据受限的环境中提高机器学习模型的性能和准确性。机器学习模型的“过度拟合”当机器学习模型在有限数量的示例上进行训练时，它们往往会“过度拟合”。“过度拟合”发生在机器学习模型在其训练示例上准确执行，但不能泛化到看不见的数据时。有几种方法可以避免机器学习中的“过度拟合”，例如选择不同的算法、修改模型的结构以及调整参数。但归根结底，“过拟合”的主要解决方案是在训练数据集中加入更多高质量的数据。例如，考虑一个卷积神经网络(CNN)，这是一种特别适合图像分类任务的机器学习架构。如果没有大量多样的训练示例，CNN最终将对现实世界中的图像进行错误分类。另一方面，如果CNN从不同角度和不同光照条件下对物体图像进行训练，它在识别现实世界中的物体方面就会变得更加强大。然而，收集额外的训练样本可能是昂贵、耗时的，有时甚至是不可能的。这一挑战在监督学习应用中变得更加困难，因为训练示例必须由人类专家标记。数据扩充增加训练数据集多样性的方法之一是创建现有数据的副本，并对其进行少量修改。这称为“数据扩充”。例如，假设您的图像分类数据集中有20张鸭子图像。通过创建鸭子图像的副本并水平翻转它们，您已经将“鸭子”类的训练示例数量增加了一倍。您可以使用其他变换，例如旋转、剪切、缩放和平移。您还可以组合这些转换以进一步扩展独特的训练示例集。数据扩充不必局限于几何运算。添加噪声、更改颜色设置以及模糊和锐化滤镜等其他效果也有助于将现有训练示例视为新数据。数据扩充的例子数据扩充对于监督学习特别有用，因为你已经有了标签，不需要额外的工作来注释新的例子。数据增强对于其他类型的机器学习算法也很有用，例如无监督学习、对比学习和生成模型。数据增强已成为为计算机视觉应用程序训练机器学习模型的标准做法。流行的机器学习和深度学习编程库具有易于使用的功能，可将数据增强集成到机器学习训练管道中。数据增强不仅限于图像，还可以应用于其他类型的数据。对于文本数据集，名词和动词可以用它们的同义词替换。在音频数据中，可以通过添加噪声或改变播放速度来修改训练示例。数据扩充的局限性数据扩充并不是解决所有数据问题的灵丹妙药。您可以将其视为机器学习模型的免费性能助推器。根据您的目标应用程序，您仍然需要具有足够示例的相当大的训练数据集。在某些应用程序中，训练数据可能过于有限，数据扩充无济于事。在这些情况下，必须收集更多数据，直到达到最小阈值，然后才能使用数据增强。有时您可以使用迁移学习，在通用数据集（例如ImageNet）上训练机器学习模型，然后通过在目标应用程序数据有限的更高层上对其进行微调来重新调整它的用途。数据扩充也没有解决其他问题，例如训练数据集中的偏差。还需要调整数据增强过程以解决其他潜在问题，例如类别不平衡。如果使用得当，数据管理可以成为机器学习工程师工具箱中的一个强大工具。
