Data Augmentation (deutsch: Datenaugmentierung) erzeugt aus vorhandenen Trainingsdaten neue Varianten, ohne neue echte Daten zu sammeln. Ziel ist es, dem Modell mehr Beispiele zu zeigen und es dadurch robuster gegen Overfitting zu machen.
Typische Techniken
- Bilder: Drehen, Spiegeln, Zoomen, Helligkeits- und Farbänderungen, Ausschneiden (Cutout) oder Mischen (Mixup).
- Text: Synonym-Ersetzung, Rückübersetzung (Backtranslation), zufälliges Löschen von Wörtern.
- Audio: Tonhöhen- und Geschwindigkeitsänderungen, Hintergrundgeräusche.
- Zeitreihen: Skalierung, Verschiebung, Rauschzugabe.
Warum funktioniert das?
Augmentierung lehrt das Modell Invarianzen: Ein gedrehtes Auto bleibt ein Auto, ein lauter gesprochenes Wort bleibt dasselbe Wort. Das Modell lernt, auf die eigentlich wichtigen Merkmale zu achten statt auf irrelevante Details. Damit wirkt Augmentierung wie eine Form der Regularisierung und verbessert die Generalisierung.
Praxishinweise
Die Transformationen müssen zum jeweiligen Problem passen — eine Spiegelung ist bei Ziffern etwa ungeeignet. Zu starke Augmentierung kann ins Gegenteil umschlagen und zu Underfitting führen. Augmentierte Daten sind außerdem keine Alternative zu sauberen Originaldaten: Sie ergänzen die Feature-Engineering-Arbeit, ersetzen sie aber nicht.
Verwandte Grundlagen: Trainingsdaten, Overfitting, Regularisierung, Synthetische Daten, Datenbereinigung.