机器学习中是否真的需要数据扩充

Question

我有兴趣了解数据扩充（在各种角度旋转，翻转图像）的重要性，同时为机器学习问题提供数据集。

是否真的需要？还是使用CNN网络也将处理此问题，无论数据转换有多大不同？

所以我进行了2个班级的分类任务来得出一些结论

1. 箭头形状
2. 圆形形状

这个想法是只训练一个方向的形状（我用箭头指向右边），然后用另一个方向（我的箭头用向下箭头）检查模型，而这个方向在训练阶段根本没有给出。

培训中使用的一些样本

测试中使用的一些样本

这是我用来创建张量流模型的整个数据集。 https://bitbucket.org/akhileshmalviya/samples/src/bab50b85d826?at=master

我想知道我得到的结果，

（i）除少数向下箭头外，其他所有箭头均已正确预测为箭头。这是否意味着完全不需要数据扩充？

（ii）还是我用来理解数据增强的重要性的正确用例？

请分享您的想法，我们将不胜感激！

Answer 1

数据扩充是一个依赖数据的过程。

通常，当您的训练数据很复杂并且有几个样本时，您将需要它。

神经网络可以轻松学习如何提取简单的模式，例如弧形或直线形，这些模式足以对您的数据进行分类。

在您的情况下，数据增强几乎无济于事，网络将学习提取的功能很简单，并且彼此之间有很大不同。

相反，当您不得不处理复杂的结构（猫，狗，飞机等）时，您就不能依赖简单的特征（如边缘，弧线等）。相反，您必须向网络展示实例您试图对分类进行很大的分类，并且对于同一主题，提取出的特征可以通过许多不同的方式进行组合。

考虑一下猫：它可以是任何颜色，可以在不同的光照条件下拍摄照片，可以在任何位置拍摄其整个身体，可以以特定的方向拍摄照片。要正确地对如此不同的实例进行分类，网络必须学会提取强大的功能，这些功能只有在看到许多不同的输入后才能学习。

相反，在您的情况下，简单的功能可以完全区分您的输入，因此，任何形式的数据扩充都可以提供一点帮助。