布加迪评论家|孙淑娟不可否认，21世纪最大的资源是数据——数据常被称为第四代产业；只有采用这种模式来收集数据的公司，使用数据做出明智决策的公司才会蓬勃发展。但收集数据和进行实验并不像听起来那么简单，而且大多数中档公司没有存储可扩展数据的基础设施或资源。在大多数情况下，当您必须在没有可扩展数据的情况下测试机器学习/人工智能模型时，我们必须使用机器学习来生成合成数据。在某些用例中，公司会生成合成数据，因为它希望将数据保密。使用合成数据仓库生成合成数据合成数据仓库（SDV）是一个用于生成合成数据的生态系统，它允许用户通过理解单表、多表、文本和时间序列数据集来轻松创建合成数据。SDV使用概率图形模型和深度学习技术来生成合成数据。在我们的场景中，我们将使用高斯Coupla生成合成数据-高斯Coupla是一种使用协方差矩阵生成多元随机变量的方法。下面是安装和导入高斯链接函数实例的代码：为了使示例适合高斯链接函数，我们将通用数据集导入笔记本（notebook）中，我们从kaggle下载保险理赔数据集。该数据集包含分类、连续和自由文本数据，因此我们可以看到SDV库的有效性/范围。从上图我们可以看出，保险理赔数据的数据类型有object、int64和float64。将数据集拟合到高斯链接函数的一个实例，生成100,000个样本：还不如检查生成的合成变量的数据类型：只观察原始数据和生成的合成数据之间的数据类型；它们完全匹配，这表明SDV的工作效率如何。让我们更进一步，使用table_evaluator库比较真实数据集和合成数据集：为44个变量生成的完整报告非常全面，此处仅显示其中的一部分。从上图我们可以看出SDV在生成分类和归一化连续变量方面有多么强大。让我们只是编程，生成合成数据，用它来训练机器学习模型等等！原文链接：https://omkargawade.medium.com/generating-synthetic-data-using-deep-learning-model-5066aed80e30
