数据增强是通过从现有数据生成新数据点来人为增加数据量的技术。这包括对数据进行小的更改或使用深度学习模型生成新的数据点。
数据增强的重要性
器学习应用程序，特别是在深度学习领域的应用程序继续多样化并迅速增加。数据增强技术可能是应对人工智能世界面临的挑战的好工具。
通过形成新的和不同的示例来训练数据集，数据增强有助于提高机器学习模型的性能和结果。如果机器学习模型中的数据集丰富且充足，则该模型的性能会更好、更准确。
对于机器学习模型，数据的收集和标记可能是一个耗费精力且成本高昂的过程。通过使用数据增强技术对数据集进行转换，使公司能够降低这些运营成本。
数据模型的步骤之一是清理数据，这是高精度模型所必需的。但是，如果清理降低了数据的可表示性，那么该模型就无法为现实世界的输入提供良好的预测。数据增强技术通过创建模型可能在现实世界中看到的变化，使机器学习模型更加健壮。
数据增强的高级模型
对抗性训练/对抗性机器学习：它生成破坏机器学习模型的对抗性示例，并将它们注入数据集进行训练。
生成对抗网络(GAN)：GAN算法可以从输入数据集中学习模式并自动创建类似于训练数据的新示例。
神经风格转移：神经风格转移模型可以融合内容图像和风格图像，并将风格与内容分离。
强化学习：强化学习模型训练软件代理在虚拟环境中实现目标并做出决策。
用于计算机视觉数据增强的流行开源python包是Keras ImageDataGenerator、Skimage和OpeCV。
数据增强的好处
1、提高模型预测精度
2、将更多训练数据添加到模型中
3、防止数据稀缺以获得更好的模型
4、减少数据过拟合（即统计中的错误，这意味着函数与有限的一组数据点过于接近）并在数据中产生可变性
5、提高模型的泛化能力
6、帮助解决分类中的类不平衡问题
7、降低收集和标记数据的成本
8、启用罕见事件预测
9、防止数据隐私问题
数据增强是如何处理图像的
1、填充
2、随机旋转
3、重新缩放
4、垂直和水平翻转
5、平移（图像沿X、Y方向移动）
6、裁剪
7、缩放
8、变暗和变亮/颜色修改
9、灰度
10、改变对比度
11、添加滤镜
12、随机擦除
数据增强与合成数据有何不同？
合成数据是增强数据的一种方法。增强数据还包括数据扩充，对现有数据进行最小更改以创建新数据等。
