合成数据是否也被过度抽样？

Question

我正在构建一个二进制文本分类器，正负之比为1:100 (100 / 10000)。

通过使用反向翻译作为一个增强，我能够得到400多个积极的。然后我决定进行抽样，以平衡数据。我是只包括正面数据点(100)，还是也包括我已经生成的400？

我肯定会尝试这两种方法，但我想知道在这种情况下，是否有什么经验法则。

谢谢。

Answer 1

在大多数情况下，当您拥有较小的数据时，不平衡类是一个问题。在这种情况下，如果您的模型要做得很好，您的数据比为100:10000，您应该增加与少数类相关的记录。现在ML中没有经验法则(在ML中没有免费午餐阅读)。不幸的是，您将不得不尝试三种方案，并查看哪些方案最适合您：

1. 仅使用实际数据的上采样
2. 通过使用诸如SMOTE之类的技术来创建新的合成数据
3. 尝试将两者结合起来生成一些合成数据和过度采样。