我正在使用转换网对图像进行分类。多类问题（第12类）
我的训练集是3500张图像，不平衡类（例如A类= 1200张图像，B类= 50张图像）。我用班级重量来解决不平衡和数据扩充
编辑数据增强具有keras功能，只需旋转和翻转即可。我只会增加训练集
由于我班的某些人的数据非常少，所以我分别进行了60％的训练/ 20％的验证/ 20％的测试集（即，对于B类，我获得了30个训练数据/ 10个验证数据/ 10个测试数据）
然后我进行了不同的划分，每次都有不同的训练/验证和测试数据 结果是稳定的=>我的指标（微F1分数）在不同的拆分下并没有太大变化，并且混淆矩阵向我显示了没有班级效应：不同的拆分并不意味着给定班级的不同结果
现在，我将模型应用于没有标签的集合。约1万张图片。 结果非常差：当我在测试集上获得B类的准确度分数为60％时，对于没有标签的那套，我的准确度约为5％
我的问题：
可能会过拟合吗？当我停止训练模型时，训练损失= 0.3 /训练F1 = 95％。验证损失= 0.7 /验证F1 = 80％ 我不这样认为，因为验证损失不会增加（我会在模型增加之前就停止它）
我该如何调查才能理解为什么我的结果在包含10000个数据的新数据集上如此差（当我说我的结果时，我谈到的是精度，因为这是我可以轻松计算出的某些类的唯一指标）< / p>
答案 0 :(得分：1)
您的模型可能是过度拟合的，因为您的模型正在学习少量的B类增强图像。增强会产生更多的数据，但本质上图像的内容保持不变。如果新的未标记B类图像与训练图像相似，那么您应该没有此问题，但是如果它们不同，那么您将有此问题。也可以在增强图像上训练模型，但仅在原始图像上进行验证，以防止过度拟合并帮助模型更好地泛化。看看这个link。
您可以尝试的另一件事是从其他类别中抽取少量样本，然后在不进行扩充的情况下训练新模型，然后测试图像。这将使您澄清模型是否适合增强数据。
如果仅在Keras中进行基本增强，则还可以尝试使用GAN等先进的增强技术。如有可能，请使用扩充步骤更新您的问题。