独家｜一文解读合成数据在机器学习技术下的表现

作者：Eric Le Fort

翻译：蒋雨畅

校对：卢苗苗

本文约3200字，建议阅读12分钟。

本文将通过介绍两个分布模型，并运用它们到合成数据过程中，来分析合成数据在不同机器学习技术下的表现。

想法

 

相比于数量有限的“有机”数据，我将分析、测评合成数据是否能实现改进。

 

动机

 

我对合成数据的有效性持怀疑态度——预测模型只能与用于训练数据的数据集一样好。这种怀疑论点燃了我内心的想法，即通过客观调查来研究这些直觉。

 

需具备的知识

 

本文的读者应该处于对机器学习相关理论理解的中间水平，并且应该已经熟悉以下主题以便充分理解本文：

• 基本统计知识，例如“标准差”一词的含义

• 熟悉神经网络，SVM和决策树（如果您只熟悉其中的一个或两个，那可能就行了）

• 了解基本的机器学习术语，例如“训练/测试/验证集”的含义

 

合成数据的背景

 

生成合成数据的两种常用方法是：

• 根据某些分布或分布集合绘制值

• 个体为本模型的建模

 

在这项研究中，我们将检查第一类。为了巩固这个想法，让我们从一个例子开始吧！

 

想象一下，在只考虑大小和体重的情况下，你试图确定一只动物是老鼠，青蛙还是鸽子。但你只有一个数据集，每种动物只有两个数据。因此不幸的是，我们无法用如此小的数据集训练出好的模型！

 

这个问题的答案是通过估计这些特征的分布来合成更多数据。让我们从青蛙的例子开始

参考这篇维基百科的文章：

https://en.wikipedia.org/wiki/Common_frog ，只考虑成年青蛙。