Data Augmentation (Datenerweiterung) umfasst Verfahren, die vorhandene Trainingsdaten durch gezielte Abwandlungen oder synthetische Beispiele vergrößern, damit Machine-Learning-Modelle robuster auf Abweichungen reagieren und weniger zu Overfitting neigen.
Erklärung
Die eingesetzten Transformationen richten sich nach dem Datentyp, ohne die fachliche Zielklasse (Label) zu verändern. In der Bildverarbeitung werden Aufnahmen gedreht, beschnitten, gespiegelt oder in Helligkeit und Kontrast variiert, etwa für die optische Qualitätskontrolle in der Fertigung. Bei Textdaten im Support oder Vertrieb entstehen zusätzliche Trainingsbeispiele durch Paraphrasierung, Rückübersetzung (Back-Translation) oder kontrollierten Worttausch, während bei unausgewogenen Tabellendaten Verfahren wie SMOTE neue Datenpunkte für seltene Klassen interpolieren. Entscheidend für valide Ergebnisse ist die strikte Trennung der Datensätze: Augmentiert wird ausschließlich der Trainingsdatensatz und niemals das Validierungs- oder Testset, da sonst Datenlecks (Data Leakage) die gemessene Modellgüte künstlich schönen.