数据增强有效量

← ToolBox / 数据增强有效量
📖 查看「数据增强有效量使用指南」

🤖 Data Augmentation Effective Sample Size

Estimate how many effective training samples a set of augmentation transforms actually adds, from the number of transforms and repeat factor. Use it to judge whether your dataset is large enough.

📐 计算公式 / 原理
理论扩充量(张) = 原始样本基数 × 增强倍数，即数据增强后的名义样本总量。校验：无强校验，三项输入缺省按 0。判据：与有效等效量并列输出，用于对比名义规模与有效规模的差距。
数据增强的收益取决于"新增样本带来多少新信息"：若变换高度相似（旋转 1°），多样性系数趋近 0，扩得再多也只是重复；系数接近 1 才算真正等效的新数据。有效量超过数千后边际收益迅速下降。

📐 计算公式与说明

有效等效量(张) = 原始样本基数 × [1 + (增强倍数 − 1) × 多样性系数]（多样性系数 0–1，衡量增强样本的信息多样性）。校验：无强校验，数值缺省按 0。判据：有效等效量 >5000 张判「数据量充足」，否则提示「建议继续收集真实数据」。

过度增强可能引入噪声。

📚 深度解析：数据增强有效量

💡 常见使用场景

增强组合估算
原始 1000 张，施加翻转/旋转/色彩 3 类各 2 档共 8 种组合 → 等效≈1000×8=8000 张。若同一变换重复 3 次，有效增益远低于 3 倍，因样本高度相关。

❓ 常见问题（FAQ）

增强越多越好吗？
否。过度或不当增强(如旋转破坏方向语义)会引入噪声甚至错误标签，反而损害训练。应以验证集表现而非数量为准。
增强样本算独立样本吗？
不算。它们与原始高度相关，对泛化的贡献低于等量真实标注数据；扩增主要起正则化作用。

Formula & Standard References

Item Formula / Note Source / Standard
Equivalent samples augmentation adds fewer effective samples than the multiplier suggests Data augmentation literature
Information ceiling augmentation adds no new information, only invariance priors Data augmentation literature
Evaluation effect validation must match the real distribution or scores inflate Machine learning practice

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助… 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Rid… 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无… 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU 🤖 Sigmoid 输出S Sigmoid 输出

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助神 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Ridg 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无关 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU