在進行人工智慧相關任務時，有很多處理技巧可以改善模型的表現，但是「資料」絕對是最關鍵的核心要素，資料的質量和數量差異會對模型的性能產生很大的影響，於是，今天就要來分享資料擴增～

資料擴增（Data Augmentation）

通過對現有數據進行各種變換和轉換，來生成新的數據的方法。它的目標是增加數據的多樣性和數量，以滿足不同任務的需求

優點

• 提高模型性能
  在許多機器學習任務中，模型的性能會高度依賴於可用的訓練數據。通常，使用更多的數據可以幫助模型更好地理解和應對各種情況，然而，現實生活中，要取得足夠大量的可用數據是很不容易的，於是就可透過資料擴增，人為地擴展數據集，從而提高模型的性能

• 防止過度擬合
  過度擬合是機器學習中一個常見的問題，它發生在模型在訓練數據上表現很好，但在新數據上表現不佳的情況，透過資料擴增引入更多多樣性的資料，讓模型更難對訓練數據進行過度擬合，因為它不會只學習記住特定特徵，而是學習適應各種不同的情境

• 解決資料類別不平衡問題
  在分類任務中，不同類別的數據量可能差異很大，這種情況就是類別不平衡，使用資料擴增就可以平衡不同類別的數據量，使得改善模型的性能

• 降低標記和清理成本
  標記和清理原始數據集的成本可能會非常高昂，所以透過資料擴增，在不增加標記和清理成本的情況下獲得更多的數據

舉例應用

• 影像任務：
  • 可以通過翻轉、旋轉、平移、裁剪、縮放等方法來幫助模型從不同角度、尺度觀察物件
  • 明亮變換，可以讓模型學習不同光線下的影像
  • 模糊化可以模擬光學模糊和沒對焦的情況
• 文字任務：
  • 可以通過替換單詞、改變句子結構等方式生成新的句子
• 音訊任務：
  • 添加雜訊、改變音高或速度或引入背景聲音，讓模型對語音模式和環境因素的變化變得更加可靠

侷限性

• 如果原始數據存在偏差，資料擴增後的數據也會反映這種偏差
• 不是所有的增強方法都適用於該任務
• 生成出來的影像或數據有時可能不符合現實場景