缺陷或负样本难以收集怎么办？使用生成式模型自动生成训练样本，image-to-image Stable diffusion

---

样本稀疏与对应的解决方案

1.数据层面

数据增广
数据增广，就是尽可能产生更多的样本，比如，一张图像，通过裁剪、变换、翻转、加噪声，获得更多样本；

合成数据
比如，通过 GAN 生成数据等。

• 图片分类的效果不好怎么办？-- 从数据驱动的角度出发

2.模型层面

数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差特别大.

模型正则化
通过在Loss Function 后面加上正则项可以抑制过拟合的产生. 缺点是引入了一个需要手动调整的hyper-parameter.

Dropout是一种神经网络正则化手段，通过随机将部分神经元的输出置零来实现.

k折交叉验证
使用k折交叉验证训练模型，可以提供模型的精度，防止划分数据的随机性。

集成弱学习器
SVM能在数据量不足，且特征维度高的情况下，进行学习。但是，与神经网络比较，像SVM，GBDT这些弱学习群可能并不能达到理想的效果。对这些模型使用集成学习，提高模型精度。