Применяли ли методы для увеличения выборки или пробивки данных?
Что проверяют
Понимаете ли, что синтетические строки не добавляют информации, и умеете ли выбрать между аугментацией, ресемплингом и изменением функции потерь. Главное, на что смотрят: не течёт ли у вас валидация после всех этих манипуляций.
Как отвечать
Разделите задачи, они разные:
- мало данных вообще: аугментации под модальность (повороты, кропы, шум и яркость для картинок, обратный перевод для текста, сдвиги и растяжения для рядов), перенос обучения с предобученной модели, ручная доразметка самых спорных примеров;
- дисбаланс классов: сначала веса классов и подбор порога решения, потом уже ресемплинг и SMOTE; метрика PR-AUC или полнота при фиксированной точности, но не доля верных ответов;
- пропуски в признаках: заполнение с отдельным флагом «значения не было», стратегия выбирается по природе пропуска;
- обогащение: внешние справочники и признаки из смежных источников, это обычно даёт больше, чем любая синтетика.
Оценка обязательна: сравнение с честным базовым решением на валидации, которую не трогали ни аугментацией, ни ресемплингом. Если прирост виден только на кросс-валидации, а на отложенной выборке его нет, метод не работает.
Где спотыкаются
Увеличивают выборку до разбиения. Копии одного объекта попадают и в обучение, и в валидацию, метрика взлетает, прод остаётся прежним. SMOTE тоже применяется только внутри обучающей части, внутри каждого фолда.
Берут аугментации, которые ломают метку: зеркалят цифры и буквы, сильно поворачивают документы, переводят в оттенки серого там, где цвет и есть признак. Набор аугментаций всегда проверяется глазами на десятке примеров.
Отвечают шаблоном с готовым результатом вроде «качество выросло на пятнадцать процентов». Цифра без метрики и базового решения выглядит заученной, и один уточняющий вопрос это показывает.