数据增强是一种用于机器学习的技术，它通过创建现有数据样本的修改版本来人为地扩展训练数据集的大小和多样性。 这种方法有助于提高模型性能，尤其是在原始数据集较小或缺乏变化时。 开发者不是收集新数据，而是将转换应用于现有数据，这些转换保留了数据的核心含义，同时引入了真实的变体。 例如，在图像分类中，猫的照片可能会被旋转、翻转或调整亮度，以创建新的训练示例，而不会改变它代表“猫”这一事实。
该过程通过将特定领域的转换应用于数据来工作。 对于图像，常见的技术包括几何变换（旋转、裁剪）、颜色空间调整（对比度、饱和度）和噪声注入。 在文本数据中，增强可能涉及同义词替换、句子洗牌或反向翻译（将文本翻译成另一种语言然后再翻译回来）。 对于音频，使用诸如音高移动、速度变化或添加背景噪声之类的方法。 这些转换在训练期间应用，可以离线（预处理数据集）或在线（在模型训练期间）。 关键是要确保增强的数据仍然代表模型可能遇到的真实场景，从而保持原始标签的有效性。 例如，水平翻转手写数字“6”可能会将其变成“9”，这将是不正确的——这突出了需要领域感知的增强策略。
数据增强的主要好处是改进了模型的泛化能力。 通过在训练期间将模型暴露于更多变体，模型不太可能过度拟合原始数据中的特定模式。 例如，使用旋转和缩放的 X 射线训练的医学成像模型将更好地处理真实患者扫描中的变化。 但是，开发人员必须平衡增强强度：过度激进的转换（例如，图像中的极端模糊）会创建不真实的数据，从而损害性能。 诸如 TensorFlow 的 ImageDataGenerator、PyTorch 的 torchvision.transforms 以及诸如 nlpaug 用于文本之类的库简化了实现。 一个实用的技巧是在处理极其有限的数据集时，将增强与其他技术（如迁移学习或合成数据生成）相结合。 始终通过目视检查样本（对于图像）或评估它们在训练期间对验证准确性的影响来验证增强数据。