Waarom is gegevensvermeerdering nodig?

Gegevensversterking is het proces van het kunstmatig vergroten van de omvang en diversiteit van de trainingsset door verschillende transformaties op de oorspronkelijke gegevens toe te passen. Dit is vooral belangrijk bij machine learning-taken, waarbij de kwaliteit en kwantiteit van gegevens direct de kwaliteit van het model beïnvloeden.

Waarom gegevensversterking nodig is:

• Verhoog de gegevenshoeveelheid: helpt overfitting te voorkomen, wanneer het model de trainingsgegevens te goed onthoudt.
• Verbeter de robuustheid van het model: door de diversiteit van gegevens leert het model beter bestand te zijn tegen ruis en variaties.
• Simulatie van echte omstandigheden: bijvoorbeeld in computer vision kunnen afbeeldingen worden gedraaid, geschaald of de helderheid worden aangepast zodat het model objecten beter herkent onder verschillende omstandigheden.

Voorbeeld van beeldversterking met de imgaug bibliotheek:

import imgaug.augmenters as iaa

seq = iaa.Sequential([
    iaa.Fliplr(0.5),           # horizontale spiegeling met 50% kans
    iaa.Affine(rotate=(-20, 20)),  # rotatie van -20 tot 20 graden
    iaa.AdditiveGaussianNoise(scale=0.05*255)  # toevoegen van ruis
])

versterkte_afbeeldingen = seq(images=originele_afbeeldingen)

Op deze manier helpt gegevensversterking het model meer algemeen te maken en de kwaliteit te verbeteren bij een beperkte hoeveelheid oorspronkelijke gegevens.