我正在研究 scikit-learn 的高斯过程回归问题。为了执行预测，我有一个数据集，其中包含 3D 坐标中传感器的 10 个不同位置：例如
传感器 1 坐标：
[[ 30.1678 -173.569 725.724 ]
[ 29.9895 -173.34 725.76 ]
[ 29.9411 -173.111 725.768 ]
[ 29.9306 -173.016 725.98 ]
[ 29.6754 -172.621 725.795 ]
[ 29.5277 -172.274 725.903 ]
[ 29.585 -171.978 726.111 ]
[ 29.4114 -171.507 726.188 ]
[ 29.3951 -170.947 726.173 ]
[ 29.3577 -170.196 726.384 ]]
我使用 Leave One Out 技术执行 GPR，因此在每次运行中我使用 9 个 3D 坐标。训练我的模型并在 1 个坐标上对其进行测试。然后我改变排列继续。
为了防止过拟合问题，我想使用数据增强来放大（或添加噪声）我的训练数据。不幸的是，我见过的大多数数据增强技术都用于图像（随机旋转、裁剪、翻转等）。我的问题是：