我需要对数据增强步骤中的训练数据使用数据增强。问题是我正在使用交叉验证，因此找不到如何调整模型以使用数据增强的参考。我的交叉验证是对我的数据进行手动索引。
有关于数据增强的文章和一般内容，但是很少，也没有关于使用数据增强进行交叉验证的概括
我需要通过简单地旋转并添加缩放来对训练数据使用数据增强，交叉验证最佳权重并保存它们，但是我不知道如何。
可以复制粘贴此示例以提高重现性，简而言之，我将如何使用数据增强功能并以最佳的精度保存权重？
答案 0 :(得分：3)
在训练机器学习模型时，不应在模型训练阶段使用的样本上测试模型（如果您希望获得真实的结果）。
交叉验证是一种估算模型准确性的方法。该方法的本质是将可用的标记数据分为几部分（或折叠），然后将其中一部分用作测试集，对其余所有模型进行训练，然后重复此过程所有部分一一对应。这样，您实质上可以在所有可用数据上测试模型，而不会过多地伤害训练。根据经验，交叉验证的倍数通常为5或7。这取决于标记数据的数量-如果您有很多数据，则可以保留较少的数据来训练模型，增加测试集的大小。折叠次数越多，随着训练量部分的增加，您可以获得的准确度估计就越好，并且您必须花费更多的时间进行该过程。因此，对于5折简历，您需要训练5种不同的模型，这些模型在训练数据上有很大的重叠。因此，您应该获得5个性能相似的模型。 （如果不是这种情况，则说明您有问题；））获得测试结果后，您丢弃所有已经训练的5个模型，然后在 all < / strong>可用数据，假设其性能将是您在CV阶段获得的值的平均值。
现在有关扩充数据。您不应将通过增加训练部分泄漏而获得的数据允许进入测试。从训练部分创建的每个数据点仅应用于训练，同样适用于测试集。
因此，您应将原始数据拆分为 k个折叠（例如，使用KFold或GroupKFold），然后为每个折叠创建增强数据并将它们连接到原版的。然后，您将按照常规的简历程序进行操作。
对于您而言，您可以在将各个组（例如x_group1）连接起来之前简单地通过扩充过程，这应该没事。
请注意，以线性方式拆分数据可能会导致数据集不平衡，这不是拆分数据的最佳方法。您应该考虑我上面提到的功能。