ホールドアウト法におけるデータオーギュメンテーションの仕方

Question

前提

機械学習におけるデータ生成についてです。

0~24までのクラスがあり、各クラス
[67, 7, 13, 3, 42, 9, 34, 26, 18, 2, 32, 2, 14, 9, 54, 10, 2, 4, 3, 2, 4, 2, 5, 1, 2] (総数 367枚)
枚の画像(物体の輪郭内を白塗りした白黒画像)が含まれているとします。

今のところはこのうち
[54, 5, 9, 2, 34, 7, 27, 21, 15, 1, 26, 2, 12, 7, 44, 8, 2, 3, 2, 2, 3, 2, 4, 1, 2] (総数 295枚)
枚を訓練データとして手作業で分け使用しています。

質問内容

これを不均衡データとして、オーギュメンテーション(ぼかし)による水増しを行う場合、一般的にはどのように水増しを行うのでしょうか。

現在は訓練データを
[54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54, 54] (総数 1350枚)
として、全クラスで同じデータ数になるようにクラス内で水増しを行っています。

しかしこの場合、訓練データの総数は1350枚であるのに対しテストデータは水増ししないので、367 - 295 = 72枚 となり、テストデータが極端に少なくなってしまい、正当に評価できないという心配があります(ちなみに現在はこちらにデータを使用し、精度100％近く出ています)。

訓練データだけをオーギュメンテーションするため、これはしょうがない現象だと思うのですが、この水増しの仕方で本当に大丈夫なのかと思い質問させていただきました。

Comments

[can110]

ほかの質問も含めて「至急」をつけるとむしろ逆効果なので外した方がよいと思います。
（中間発表とかでしょうか）

[harug]

やはりそうですか、ご指摘ありがとうございます。
中間発表間近で自分で調べても分からなかったので質問させていただいております。

[can110]

質問すること自体はぜんぜんかまわないのですが
いくつもたてると回答する側もちょっと「おっくう」になりがちですし
質問した側も回答へのレスポンスが大変です。
中間発表では現状の進捗と抱えている問題などをそのまま発表するのでいいかと思います。

[harug]

おっしゃる通りですね。
しかしながら、この問題を解決しないことには発表できるような進捗も出せないような状況で困っています。

[can110]

厳しい意見となりますが「今までなにをやってきたの？」といわれるでしょうね。
ぶっちゃけ中間発表は完璧に準備していたとしても厳しく突っ込まれたり怒られたりする場なので
発表後に指導教官に研究内容を変えること含め相談する手もあります。