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。