一文解读合成数据在机器学习技术下的表现

为了测试每个数据集的强度，我将采用三种不同的机器学习技术：多层感知器(MLP)，支持向量机(SVM)和决策树(Decision Trees)。为了帮助训练，由于某些特征的幅度比其他特征大得多，因此利用特征缩放来规范化数据。使用网格搜索调整各种模型的超参数，以最大化到达最好的超参数集的概率。

总之，我在8个不同的数据集上训练了24种不同的模型，以便了解合成数据对学习效果的影响。

相关代码在这里：https://github.com/EricLeFort/DataGen

结果

经过几个小时调整超参数并记录下精度测量结果后，出现了一些反直觉的结果!完整的结果集可以在下表中找到：

☟多层感知器(MLP)

☟支持向量机(SVM)

☟决策树(Decision Trees)

在这些表中，“Spike 9”或“Plateau 9”是指分布和使用的尖峰/平台的数量。单元格中的值是使用相应的训练/测试数据对模型进行训练/测试，并用验证集验证后的的最终精度。还要记住，“完整”(Full)类别应该是准确性的理论上限，“真实”(Rea;)类别是我们在没有合成数据的情况下可以实现的基线。

一个重要的注意事项是，(几乎)每次试验的训练/测试准确度都明显高于验证准确度。例如，尽管MLP在Spike-5上得分为97.7%，但在同一试验的训练/测试数据上分别得分为100%和99%。当在现实世界中使用时，这可能导致模型有效性的过高估计。

完整的这些测量可以在GitHub找到：https://github.com/EricLeFort/DataGen

让我们仔细看看这些结果。

首先，让我们看一下模型间的趋势(即在所有机器学习技术类型中的合成数据集类型的影响)。似乎增加更多尖峰/平台并不一定有助于学习。你可以看到在3对 5时尖峰/平台之间的一般改善，但是当看到5对9时，则要么变平或稍微倾斜。

对我来说，这似乎是违反直觉的。随着更多尖峰/平台的增加，我预计会看到几乎持续的改善，因为这会导致分布更类似于用于合成数据的正态分布。

现在，让我们看一下模型内的趋势(即各种合成数据集对特定机器学习技术的影响)。对于MLP来说，尖峰或平台是否会带来更好的性能似乎缺少规律。对于SVM，尖峰和平台似乎表现得同样好。然而，对于决策树而言，平台是一个明显的赢家。

总的来说，在使用合成数据集时，始终能观察到明显的改进!

以后的工作

需要注意的一个重要因素是，本文的结果虽然在某些方面有用，但仍然具有相当的推测性。因此，仍需要多角度的分析以便安全地做出任何明确的结论。

这里所做的一个假设是每个类别只有一个“类型”，但在现实世界中并不总是如此。例如，杜宾犬和吉娃娃都是狗，但它们的重量分布看起来非常不同。

此外，这基本上只是一种类型的数据集。应该考虑的另一个方面是尝试类似的实验，除了具有不同维度的特征空间的数据集。这可能意味着有15个特征而不是10个或模拟图像的数据集。

相关报道：https://www.codementor.io/ericlefort/my-thoughts-on-synthetic-data-kq719a5ss

【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】

戳这里，看该作者更多好文

【编辑推荐】

1. 外媒速递：五大Python发行版助你攻克机器学习难题
2. 我们该如何学习机器学习中的数学
3. 达观数据：一文详解深度学习、机器学习与NLP的前世今生
4. 外媒速递：开发者应当了解的18套机器学习平台
5. 在工程领域中，机器学习的数学理论基础尤为重要

（编辑：海南站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!