摘要
现实世界中的数据通常包含多种复杂的特征，其中一种普遍存在且具有挑战性的问题是类别不平衡，即数据集中不同类别样本的数量极不均衡。为解决这一问题，研究者通常采用多种采样技术对数据进行处理。数据增强（Augmentation）是机器学习流程中的关键步骤之一，常用于对少数类样本进行过采样，以缓解类别不平衡带来的负面影响。本文旨在通过引入多种数据增强方法，构建多样化的平衡增强数据集，并结合随机采样策略，有效消除类别不平衡问题，从而提升模型性能。实验采用RESNET18模型，在每种增强方法下均训练至100个周期（epochs），并记录各方法对应的模型准确率。通过对不同增强技术在相同训练条件下所得准确率的迭代比较，揭示了各类增强策略在提升模型表现方面的显著差异与内在规律，为选择最优增强方案提供了有力的实证依据。