譯者 | 布加迪

審校 | 孫淑娟

不可否認，21世紀最大的資源是數據——數據通常被稱為第四代工業；只有公司采用這種模式收集數據，并利用數據做出明智決策的公司，才會蓬勃發展。但是收集數據和進行實驗并不像聽起來那么簡單，大多數中等公司沒有存儲可擴展數據的基礎設施或資源。在大多數情況下，當您必須在沒有可擴展數據的情況下測試機器學習/人工智能模型時，我們必須使用機器學習生成合成數據。在一些用例中，公司之所以生成合成數據，是由于它希望對數據保密。

使用合成數據倉庫生成合成數據

合成數據倉庫（SDV）是一個生成合成數據的生態系統，允許用戶通過了解單表、多表、文本和時間序列數據集，輕松創建合成數據。SDV使用概率圖形模型和深度學習技術來生成合成數據。

在我們的場景中，我們將使用高斯連接函數（Gaussian Coupla）來生成合成數據——高斯連接函數是一種方法，我們通過使用協方差矩陣來生成多變量隨機變量。

下面是安裝和導入高斯連接函數實例的代碼：

為了使實例擬合高斯連接函數，不妨將通用數據集導入到筆記本（notebook），我們不妨從kaggle下載保險索賠數據集。該數據集具有分類、連續和自由的文本數據，因此我們可以看到SDV庫的有效性/范圍。

我們可以從上圖中看到，該保險索賠數據的數據類型有object、int64和float64這幾種。

將數據集擬合到高斯連接函數實例中，生成10萬個樣本：

不妨為生成的合成變量檢查數據類型：

只需觀察原始數據和生成的合成數據之間的數據類型；它們完全匹配，這表明SDV運行起來有多高效。

不妨更進一步，使用table_evaluator庫來比較真實數據集和合成數據集：

真實數據和虛假數據的對數均值和標準偏差比較

真實數據和虛假數據變量比較的示意圖：

我已經加入了一些選定變量的視覺元素——為44個變量生成的完整報告相當全面，這里僅顯示部分。

我們從上面圖表中可以看到SDV生成分類和規范化連續變量的功能有多強大。

咱們還是編程吧，生成合成數據，并使用它訓練機器學習模型及更多！

原文鏈接：??https://omkargawade.medium.com/generating-synthetic-data-using-deep-learning-model-5066aed80e30?