在确定创建合成数据的最佳方法时，首先要考虑是哪种类型的合成数据，这一点很重要。合成数据共有三大类可供选择，每类都有不同的优缺点：
完全合成：此数据不包含任何原始数据。
部分合成：仅将敏感数据替换为合成数据。
混合合成：混合合成数据来源于真实数据和合成数据。在保证数据集中其他变量之间的关系和完整性的同时，研究原始数据的底层分布，为真实数据的每条记录选择合成数据中的相近记录，然后将两者结合以生成混合数据。
构建合成数据的三种策略
1、从分布中提取数字：这种方法通过观察真实的统计分布和复制假数据来工作。这也可以包括生成模型的创建。
2、基于代理的建模：为了在这种方法中获得合成数据，需要创建一个模型来解释观察到的行为，然后使用相同的模型再现随机数据。它强调理解代理之间的交互对整个系统的影响。
3、深度学习模型：变分自动编码器和生成对抗网络(GAN)模型是合成数据生成技术，通过为模型提供更多数据来提高数据效用。
合成数据的挑战
尽管合成数据具有多种好处，可以简化组织的数据科学项目，但它也有局限性：
1、异常值可能会丢失：合成数据只能模仿现实世界的数据，它不是它的精确复制品。因此，合成数据可能无法涵盖原始数据具有的一些异常值。
2、模型的质量取决于数据源：合成数据的质量与输入数据的质量和数据生成模型高度相关。合成数据可能存在偏差。
3、合成数据需要一定成本：虽然合成数据比实际数据更容易创建，但合成数据也不是免费的。
4、需要控制输出：尤其是在复杂的数据集中，确保输出准确的最佳方法是将合成数据与真实数据或人工注释数据进行比较。这是因为在尝试复制原始数据集中的复杂性时，合成数据可能存在不一致。
