AITerms 登入
機器學習深度學習電腦視覺

資料擴增術(Data Augmentation)是什麼?

資料擴增術是一種增加訓練資料多樣性的技術,透過對現有資料進行微小的修改,創造出新的、但仍然代表相同類別的資料點,以提升模型泛化能力。

完整定義

資料擴增術是一種在機器學習中常用的技術,旨在增加訓練資料集的大小和多樣性。它通過對現有資料進行各種轉換(例如旋轉、縮放、裁剪、翻轉、添加雜訊等)來生成新的、略有不同的資料樣本。這有助於提高模型的泛化能力,使其在面對未見過的資料時表現更好,並減少過擬合的風險。

白話說明

你有沒有在你資料太少,想把訓練集變得更有變化時,還在想這件事到底該怎麼看?

把它想成對同一份資料做合理變形,做出更多版本。

它能增加資料多樣性,讓模型看到更多樣的情況。

做得好會提升泛化,做過頭反而會把資料變得不自然。

記住這句

不是亂加資料,是把原有資料變出合理變化。

比喻:資料擴增術就像攝影師為同一個模特兒拍不同角度的照片 -- 同樣是這個模特兒,但透過改變光線、角度或表情,製造出更多樣化的作品,讓 AI 學到更多不同面向。

容易混淆

synthetic-data

vs 收集更多原始資料:收集更多原始資料像找更多不同的模特兒來拍,成本高且耗時;資料擴增術則像把現有模特兒「變花樣」,成本低,但也能有效增加資料多樣性。

常見混淆:資料擴增術 vs synthetic-data

擴增是基於原資料做合理變化,合成資料可從零生成。

實際案例

影像翻轉

把左右翻轉、旋轉或裁切,讓模型不只認一種角度。

文本回譯

先翻成另一種語言再翻回來,製造語意接近但說法不同的句子。

演算法與應用

1. 圖像、文字、語音都能做擴增,但方法會不一樣。

2. 擴增要保持標籤不變,不然等於把資料弄錯。

3. 它常和資料不足、類別不平衡或遷移學習一起使用。

情境判斷

Q1:你只有少量影像資料,想提升模型穩定度,先想到什麼?

資料擴增通常是很合理的第一步。

Q2:如果擴增後模型反而更差,可能代表什麼?

很可能擴增方式太激進,已經破壞了原本語意或特徵。

常見問題

範例考題

某團隊訓練影像分類模型,發現模型在訓練資料上的準確率達 98%,但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力,並增加訓練資料的多樣性,下列何者最適合?

  1. A增加模型的深度與參數量,使模型學習更多細節
  2. B對訓練影像進行旋轉、翻轉等隨機變化
  3. C提高訓練速度,使模型更快完成學習
  4. D僅保留模型表現較好的訓練資料
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,有 12 題把資料擴增術列為延伸術語,這裡列出 5 題。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本