2021美赛C题：大黄蜂传播规律和目击准确性研究赛题分析及思路(2)

（1）数据扩充，数据为文本数据：
1、传统文本数据增强的技术：EDA
(1). 同义词替换（SR: Synonyms Replace）：不考虑stopwords，在句子中随机抽取n个词，然后从同义词词典中随机抽取同义词，并进行替换。
Eg: “我非常喜欢这部电影” —> “我非常喜欢这个影片”，句子仍具有相同的含义，很有可能具有相同的标签。
(2). 随机插入(RI: Randomly Insert)：不考虑stopwords，随机抽取一个词，然后在该词的同义词集合中随机选择一个，插入原句子中的随机位置。该过程可以重复n次。
Eg : “我非常喜欢这部电影” —> “爱我非常喜欢这部影片”。
(3). 随机交换(RS: Randomly Swap)：句子中，随机选择两个词，位置交换。该过程可以重复n次。
(4). 随机删除(RD: Randomly Delete)：句子中的每个词，以概率p随机删除。
2.深度学习数据增强技术
1.半监督 Mixmatch
2.无监督数据增强UDA

（2）加权损失函数
让对Positive ID预测错误的惩罚更重，即下面的公式中w1设置的更大点：
w1*LossPositive w2*LossNegative w3*LossUnverified
对Negative ID、Unverified数据预测错误的惩罚更轻，最后w1 w2 w3=1
2.2问题解答
方法：训练图像分类模型，模型需要构建深度学习框架：
（1）首先将数据分为训练数据和验证数据，
（2）然后利用深度学习网络进行特征提取。
（3）建立损失函数，方向传播进行训练
模型选择：CNN、SVM、决策树等
模型评估
问题分析：即对第二个模型进行评估，可以从准确率方面说明
模型优化
解释模型的更新机制、复杂度、时效性、不同区域的适用性等。