用python进行高斯过程回归训练数据集的数据增强

Question

我正在努力解决一个高斯过程回归问题与科学知识学习。为了执行预测，我有一个数据集，其中包含传感器在三维坐标中的10个不同位置。

Sensor1和弦：

[[  30.1678 -173.569   725.724 ]
 [  29.9895 -173.34    725.76  ]
 [  29.9411 -173.111   725.768 ]
 [  29.9306 -173.016   725.98  ]
 [  29.6754 -172.621   725.795 ]
 [  29.5277 -172.274   725.903 ]
 [  29.585  -171.978   726.111 ]
 [  29.4114 -171.507   726.188 ]
 [  29.3951 -170.947   726.173 ]
 [  29.3577 -170.196   726.384 ]]

我执行探地雷达与离开一个外技术，所以在每次运行，我使用9个三维和弦。训练我的模型，并在一家公司进行测试。然后我将置换改为继续。

为了防止过度拟合的问题，我想使用数据增强来扩大(或增加噪音)我的训练数据。不幸的是，我看到的大多数数据增强技术都用于图像(随机旋转、裁剪、翻转等)。我的问题是：

1. 对于python中的数据，有什么方法可以这样做吗？
2. 是否有任何限制适用于我以上数据的增强。对于一个特定的3D coord，我可以添加多少噪声？
3. 要添加的新噪声数据，例如列x，应该介于最小(29.585)值和最大(30.1678)值之间。我说的对吗？或者也可以一帆风顺地做？

编辑

所以，我是手动产生噪音的。

def use_data_augmentation(self, data):
   sizeOfData= 1000
        
   # Add noise to column x
   # Find min/max of each individual col
   noiseColXMin = np.min(data[:, 0])
   noiseColXMax = np.max(data[:, 0])

   # Generate random number between min/max
   addNoiseToColX = self.create_random_floats(noiseColXMin, noiseColXMax, sizeOfData)

   # Add noise to column y
   ...
   # Add noise to column z
   ...

   # Convert three 1D arrays to one 3D array
   addInputNoiseTotal = np.array([addNoiseToColX, addNoiseToColY, addNoiseToColZ]).T
   print('addInputNoiseTotal :\n', addInputNoiseTotal,
      '\nSDX:', np.std(addInputNoiseTotal[:, 0]),
      '\nSDY:', np.std(addInputNoiseTotal[:, 1]),
      '\nSDZ:', np.std(addInputNoiseTotal[:, 2]))

def create_random_floats(low, high, size):
   return [random.uniform(low, high) for _ in range(size)]

我现在的问题是:如果我通过random.uniform(low, high, size)在最小/最大值之间生成浮点数，那么噪声数据的标准差有时会大于0.8或1.0。因此，探地雷达预报的均方根值更差。如何设置限制，使生成的浮点数的SD值不能大于例如0.2

Answer 1

考虑到两个独立的随机变量之和的方差是它们的方差之和，您可以计算数据集的方差，并利用统一随机变量的方差等于(high - low)**2 / 12，而标准差是方差的平方根，选择满足条件的high和low值。

np.sqrt(np.var(dataset) + (high - low)**2 / 12) <= 0.2

这应该确保产生的噪声数据的标准差小于或等于您的0.2阈值。