如何构建数据集？

图像分类为例：

问题1：数据量不够

解决方案

• 收集更多数据
• 数据增强

问题2：低质量的分类

解决方案

• 验证每个样本的标签是否正确
• 为分类选择合适的粒度级别

问题3：低质量的数据

解决方案

• 删除糟糕的图像
• 考虑技术的长期应用，以及将在生产中用于获取数据的方法

问题4：不平衡的类别

解决方案

• 收集代表性不足的分类的更多样本
• 对数据进行 过/欠 采样

问题5：不平衡的数据

解决方案

• 裁剪或拉伸数据，使其具有与其他样本相同的宽高比或格式
• 规范化数据，使每个样本的数据都在相同的值范围内

问题6：没有验证集和测试集

解决方案

• 将数据集拆分为三个：训练集、验证集、测试集。

来源：https://hackernoon.com/stop-feeding-garbage-to-your-model-the-6-biggest-mistakes-with-datasets-and-how-to-avoid-them-3cb7532ad3b7

一个开源的数据增强 python 包：https://github.com/albumentations-team/albumentations