Méthode stochastique d'augmentation des données pour améliorer l'apprentissage machine.

Abstract

L'objectif de notre travail est d’adresser le problème le plus courant en apprentissage automatique, à savoir la quantité insuffisante de données d'entraînement. Une façon de résoudre ce problème est appelée augmentation de données, qui est un ensemble de techniques utilisées pour augmenter artificiellement la quantité de données en créant de nouveaux points de données à partir de données existantes. Utile pour améliorer les performances et les résultats des modèles d'apprentissage automatique en formant des exemples nouveaux et différents d'ensembles de données de formation. Si l'ensemble de données d'un modèle d'apprentissage automatique est riche et suffisant, le modèle fonctionne mieux et est plus précis. Cela nous d’étudier l’utilisation de deux technique, Bootstrap et Jackknife, qui augmentent la quantité de données et donnent des résultats acceptables et quelque peu satisfaisants par rapport à d'autres technique plus largement utilisées et populaires, et nous avons choisi la technique shift comme modèle de comparaison.