Kỹ thuật tăng cường dữ liệu cho các tập dữ liệu chung?

Question

Tôi đang làm việc trong một vấn đề học máy và muốn xây dựng các bộ phân loại dựa trên mạng nơron trên nó trong MATLAB. Một vấn đề là dữ liệu được đưa ra dưới dạng các tính năng và số lượng mẫu thấp hơn đáng kể. Tôi biết về kỹ thuật tăng cường dữ liệu cho hình ảnh, bằng cách xoay, dịch, dịch affine, v.v.

Tôi muốn biết liệu có các kỹ thuật tăng cường dữ liệu có sẵn cho các tập dữ liệu chung không? Giống như là nó có thể sử dụng ngẫu nhiên để tạo ra nhiều dữ liệu hơn? Tôi đọc câu trả lời here nhưng tôi không hiểu nó.

Vui lòng cung cấp câu trả lời cùng với chi tiết làm việc nếu có thể.

Mọi trợ giúp sẽ được đánh giá cao.

Answer 1

Bạn cần xem xét autoencoders. Hiệu quả bạn chuyển dữ liệu của bạn vào một mạng nơron cấp thấp, nó áp dụng một phân tích giống như PCA, và sau đó bạn có thể sử dụng nó để tạo ra nhiều dữ liệu hơn.

Matlab có lớp autoencoder cũng như function, sẽ thực hiện tất cả điều này cho bạn. Từ tệp trợ giúp của MATLAB

Tạo dữ liệu đào tạo.

rng(0,'twister'); % For reproducibility 
n = 1000; 
r = linspace(-10,10,n)'; 
x = 1 + r*5e-2 + sin(r)./r + 0.2*randn(n,1); 

Train autoencoder sử dụng dữ liệu huấn luyện.

hiddenSize = 25; 
autoenc = trainAutoencoder(x',hiddenSize,... 
     'EncoderTransferFunction','satlin',... 
     'DecoderTransferFunction','purelin',... 
     'L2WeightRegularization',0.01,... 
     'SparsityRegularization',4,... 
     'SparsityProportion',0.10); 

Tạo dữ liệu thử nghiệm.

n = 1000; 
r = sort(-10 + 20*rand(n,1)); 
xtest = 1 + r*5e-2 + sin(r)./r + 0.4*randn(n,1); 

Dự đoán dữ liệu thử nghiệm bằng cách sử dụng autoencoder đào tạo, autoenc.

xReconstructed = predict(autoenc,xtest'); 

Lô dữ liệu thử nghiệm thực tế và những dự đoán.

figure; 
plot(xtest,'r.'); 
hold on 
plot(xReconstructed,'go'); 

Bạn có thể xem cicrles xanh đại diện cho dữ liệu bổ sung được tạo ra với các tính năng tự động mã hóa.