机器学习数据增强完全指南

数据增强通过微调现有数据生成新训练样本，帮助模型减少过拟合并提升泛化能力。

数据增强分为在线增强和离线增强，在线增强在每个训练周期生成新变体，离线增强则是一次性扩展数据集并保存。

图像数据增强常用技术包括旋转、翻转、调整大小、裁剪、缩放、平移、剪切、亮度和对比度变化。

文本数据增强需要谨慎处理，常用方法包括同义词替换，使用nlpaug库或回译API可获得更可靠的结果。

音频数据增强常用技术包括添加背景噪声、时间拉伸、音调变化和音量缩放。

表格数据增强较为敏感，常用技术包括噪声注入、SMOTE、混合和特定领域转换。

数据泄露是一个隐患，数据增强只能应用于训练集，绝不能对验证或测试数据进行增强。

数据增强在数据有限、存在过拟合和真实世界变化时有效，但不能修复错误标签、偏见数据或定义不清的特征。