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
資料擴增通常能提升模型效能,尤其是在資料量不足的情況下。然而,不當的擴增策略或過度擴增可能導致模型過擬合,反而降低效能。因此,需要根據具體任務和資料集,謹慎選擇和調整擴增策略。
常用的圖像資料擴增方法包括幾何變換(旋轉、縮放、平移、翻轉)、顏色空間變換(調整亮度、對比度、飽和度)、添加雜訊、裁剪、遮擋等。還可以結合多種方法,例如先旋轉再縮放,以增加資料的多樣性。
在自然語言處理中,資料擴增可以通過同義詞替換、隨機插入、隨機刪除、回譯等方法實現。例如,可以使用同義詞詞典將句子中的某些詞替換為其同義詞,或者使用機器翻譯將句子翻譯成另一種語言,然後再翻譯回來,從而生成新的句子。
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?
- A增加模型的深度與參數量,使模型學習更多細節
- B對訓練影像進行旋轉、翻轉等隨機變化
- C提高訓練速度,使模型更快完成學習
- D僅保留模型表現較好的訓練資料
正解是 B:對訓練影像進行旋轉、翻轉等隨機變化
解析:訓練準確率高但測試準確率低是典型的過擬合(Overfitting)現象。資料增強(Data Augmentation)透過對訓練影像進行旋轉、翻轉等隨機變化,可以增加訓練資料的多樣性,有效降低過擬合。
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
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本