Miért szükséges az adatok bővítése?

Az adatok bővítése az a folyamat, amikor a tanulóadatok mennyiségét és változatosságát mesterségesen növeljük különböző transzformációk alkalmazásával az eredeti adatokon. Ez különösen fontos a gépi tanulási feladatokban, ahol az adatok minősége és mennyisége közvetlenül befolyásolja a modell minőségét.

Az adatok bővítésének céljai:

• Az adatmennyiség növelése: segít elkerülni a túlillesztést, amikor a modell túl jól memorizálja a tanulóadatokat.
• A modell robusztusságának növelése: az adatok változatossága révén a modell ellenállóbbá válik a zajokkal és változásokkal szemben.
• Valós körülmények szimulálása: például számítógépes látásban a képeket elforgathatjuk, méretezhetjük vagy megvilágításukat módosíthatjuk, hogy a modell jobban felismerje a különböző körülményeket.

A imgaug könyvtár segítségével képek bővítésének példája:

import imgaug.augmenters as iaa

seq = iaa.Sequential([
    iaa.Fliplr(0.5),           # vízszintes tükrözés 50% eséllyel
    iaa.Affine(rotate=(-20, 20)),  # -20-tól 20 fokig terjedő forgatás
    iaa.AdditiveGaussianNoise(scale=0.05*255)  # zaj hozzáadása
])

bővített_képek = seq(images=eredeti_képek)

Így az adatok bővítése segít a modell általánosabbá tételében és a minőségének javításában korlátozott eredeti adatmennyiség mellett.