5.4 数据增强

文档摘要

5.4 数据增强 5.4 数据增强数据增强（Data Augmentation）是提高模型泛化能力、防止过拟合的强大技术，尤其在训练数据量有限时显得尤为重要。其核心思想是通过对现有数据进行一系列变换，生成新的、但仍然具有相同标签的训练样本，从而在不实际收集更多数据的情况下，有效地扩充数据集。这不仅增加了训练数据的多样性，还使得模型对输入数据的微小变化或噪声具有更强的鲁棒性。 5.4.1 数据增强的原理与重要性原理：数据增强的原理基于这样一个假设：对原始数据进行合理的、保留语义的变换后，所生成的新数据点与原始数据点应具有相同的类别标签。这些变换模拟了真实世界中数据可能出现的各种变异，例如图像的旋转、缩放、裁剪、颜色变化，或文本的同义词替换、语句重排等。