一般数据集的数据增强技术？答案

【问题标题】：Data augmentation techniques for general datasets?一般数据集的数据增强技术？
【发布时间】：2017-01-08 23:55:12
【问题描述】：

我正在研究一个机器学习问题，并想在 matlab 中构建基于神经网络的分类器。一个问题是数据以特征的形式给出，样本数量要少得多。我了解图像的数据增强技术，通过旋转、平移、仿射平移等。

我想知道是否有可用于一般数据集的数据增强技术？是否可以使用随机性来生成更多数据？我看了答案here，但没看懂。

如果可能，请提供工作细节的答案。

任何帮助将不胜感激。

【问题讨论】：

标签： matlab deep-learning

【解决方案1】：

您需要查看autoencoders。实际上，您将数据传递到低级神经网络，它会应用类似 PCA 的分析，然后您可以使用它来生成更多数据。

Matlab 有一个autoencoder 类以及一个function，它们将为您完成所有这些工作。来自 matlab 帮助文件

生成训练数据。

rng(0,'twister'); % For reproducibility
n = 1000;
r = linspace(-10,10,n)';
x = 1 + r*5e-2 + sin(r)./r + 0.2*randn(n,1);

使用训练数据训练自动编码器。

hiddenSize = 25;
autoenc = trainAutoencoder(x',hiddenSize,...
        'EncoderTransferFunction','satlin',...
        'DecoderTransferFunction','purelin',...
        'L2WeightRegularization',0.01,...
        'SparsityRegularization',4,...
        'SparsityProportion',0.10);

生成测试数据。

n = 1000;
r = sort(-10 + 20*rand(n,1));
xtest = 1 + r*5e-2 + sin(r)./r + 0.4*randn(n,1);

使用经过训练的自动编码器 autoenc 预测测试数据。

xReconstructed = predict(autoenc,xtest');

绘制实际测试数据和预测。

figure;
plot(xtest,'r.');
hold on
plot(xReconstructed,'go');

您可以看到代表使用自动编码器生成的附加数据的绿色圆圈。

【讨论】：

我读过这篇文章。一个查询，自动编码器是无监督的。但是，我可以在训练阶段访问标签。假设我有 5 节课。我是否需要训练 5 个独立的自动编码器来为五个不同的类生成示例，还是一个就足够了？请回复。
如果我们只使用一个单层进行自动编码器，重建效果会有多好？请检查in.mathworks.com/help/nnet/ref/autoencoder.predict.html 重建的图像很差 - 这引出了一个问题，如果我们使用更多的层数，重建应该会更好。
有 Python 中的示例吗？
@KathiravanNatarajan Python 中的大量示例......在 sklearn 中查找 ae（自动编码器）包