合理创建机器学习训练数据

在机器学习中，构建用于训练模型的学习数据至关重要。然而，有时我们面临数据量不足的情况，需要尽可能合理地增加数据。

重采样和过采样

对于数据量不足的情况，有两种常用的处理方式：

• 重采样：直接复制现有数据，增加数据量。

• 过采样：除了重采样之外，还创造新的数据，例如：

  • SMOTE算法
  • 数据扩充（data augmentation）

特殊情况下的处理

您提到了具有重复特征的数据（例如 NUM1 中的三个 A）。可以考虑以下处理方式：

• 如果您要修改特征值：需要确保标签值不会改变，否则可能会损害模型的准确性。
• 如果您处理的是两组不同的数据（NUM1 和 NUM2）：删除其中一个重复的特征值并创建新数据是没有必要的，因为重采样也会产生相同的结果。

要特别注意：

• 切勿对测试数据进行数据生成，因为测试集需要包含真实的数据。
• 对于处理不平衡数据集，可以参考外部资源，例如您提到的博客。