12、数据增强与经典机器学习模型介绍

数据增强与经典机器学习模型介绍

数据增强相关内容

数据增强是机器学习中提升模型性能的重要手段，下面将介绍连续特征的数据增强以及图像数据增强的相关内容。

连续特征的数据增强

对于连续特征的数据增强，之前提到的方法仅适用于连续特征。在进行增强时，应谨慎修改主成分中最弱的部分，且修改幅度要小，实验在其中十分重要。可以尝试将相同的技术应用于乳腺癌数据集，该数据集也由连续特征组成。

图像数据增强（以CIFAR - 10数据集为例）

增强图像通常比增强其他类型的数据更简单，且在训练现代模型时同样有效。CIFAR - 10数据集包含彩色图像，以RGB数据形式存储红、绿、蓝通道。由于这些图像是从地面水平拍摄的，上下翻转没有意义，但左右翻转是可行的。常见的图像增强技术包括平移（在x或y方向或两个方向上移动图像）和小角度旋转。

然而，这些操作会带来一个问题：在平移或旋转后，没有数据的像素该如何处理？常见的处理方法有以下几种：
- 保持黑色 ：将像素保持为黑色，即所有值为0，让模型学习到这些位置没有有用信息。
- 替换为均值 ：用图像的均值替换这些像素，同样不提供额外信息，希望模型忽略这些部分。
- 裁剪图像 ：这是最流行的解决方案。例如，从32×32像素的图像中随机抽取28×28像素的补丁，相当于将图像在x或y方向上随机移动最多4个像素，而无需担心填充问题。如果先旋转图像（需要对像素进行插值），然后裁剪以去除边缘区域，就不会有空白像素需要处理。

在使用模型时，对于测试数据