JavaScript для глубокого обучения 2021 TensorFlow js Ббк

282
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Рис. 6.6.
Еще один снимок экрана Facets, на этот раз для набора данных кампусов университетов 
штата Нью-Йорк из примера data-csv. На нем приведено представление Facets Dive, с помощью 
которого можно исследовать отношения различных признаков набора данных. Каждая 
из показанных здесь точек представляет собой точку данных из набора, причем мы настроили 
представление так, что x-координата точки соответствует признаку Longitude1, y-координата — 
признаку Latitude1, цвет отражает признак Undergraduate Enrollment, а написанные сверху слова — 
признак City, содержащий название города, в котором находится кампус университета для каждой 
из точек данных. Видно, что визуализация приблизительно повторяет очертания штата Нью-Йорк, 
с Буффало на западе и Нью-Йорком на юго-востоке. При этом один из самых больших кампусов 
по числу студентов — в городе Селден
Если взять пример цифры из MNIST и изменить изображение, сдвинув цифру 
на один пиксел влево, семантическая метка цифры не изменится. Сдвинутая влево 9 
остается 9, но получается новый обучающий пример. Подобный программно сгене­
рированный пример данных, созданный путем видоизменения существующего при­
мера, называется 
псевдопримером данных
(pseudo­example), а процесс добавления 
псевдопримеров данных — 
дополнением данных
(data augmentation).
Дополнение данных заключается в генерации дополнительных данных на основе 
уже существующих обучающих примеров. В случае данных изображений в резуль­
тате таких преобразований, как поворот, кадрирование и масштабирование, нередко 
получаются правдоподобно выглядящие изображения. Цель всего этого — повыше­
ние разнообразия обучающих данных ради расширения возможностей обобщения 
обученной модели (другими словами, для снижения степени переобучения), что 
особенно полезно при небольшом размере набора данных.

---