資料取樣 Data Sampling

提供各種取樣技術，讓您在大量資料海中快速縮減樣本。

DataVerse 提供多種取樣技術，幫助使用者有效地選擇用於分析、訓練或測試目的的 data slices。平台提供三種主要的取樣方法：簡單隨機取樣（Simple Random Sampling）、系統取樣（Systematic Sampling）和序列平衡取樣（Sequence-balance Sampling）。每種技術都有不同的用途，使用者可以根據特定的需求選擇最適合的一種。

提示

您可以在您的 data slice 內進行資料取樣。

Simple Random Sampling

簡單隨機取樣從 data slice 中隨機選取資料項目，排除任何指定項目，直到達到所需的樣本大小。這種技術確保了對總體的無偏表示，並且適合需要資料的隨機子集的情況。

Systematic Sampling

系統取樣涉及按順序選擇 data slice 中的資料項目，排除任何指定項目，直到達到所需的樣本大小。此方法提供了更結構化的取樣方法，並在需要更均勻分布的資料集表示時非常有用。

Sequence-balance Sampling

序列平衡取樣從每個序列中選擇固定數量的資料項目，排除任何指定項目，並且如果未達到固定數量，則用可用資料填充樣本。這種技術確保了來自不同序列的資料的平衡表示，並適合需要跨序列平等代表的情況。

Class-balance Sampling

「類別平衡」取樣策略旨在均勻分配每個選定類別的物件數量。如果包含所有選定類別的條目數量低於期望的樣本大小，系統將隨機選擇其他條目以達到配額。

Tag-balance Sampling

「標籤平衡」取樣策略旨在基於目標標籤（Option和Boolean類型）的存在均勻分配數據集中的圖片。我們努力在設定數量的圖片內實現標籤平衡，但如果由於標籤實例不足而無法達到期望的平衡，系統將隨機選擇圖片來填補其餘部分。

範例

考慮以下情景：seq1 有 100 張圖片，而 seq2 有 900 張圖片。如果您想取樣 200 張圖片，則取樣技術將如下所示：

• Sequence-balance Sampling: seq1 將貢獻 100 張圖片（所有可用圖片），而 seq2 將貢獻剩下的 100 張圖片。

• Systematic Sampling: 將 1,000 張圖片（來自 seq1 的 100 張和來自 seq2 的 900 張）按順序排列，並選擇每第 5 張圖片（第 1 張，第 6 張，第 11 張等），直到取樣了 200 張圖片。

通過提供各種取樣技術，Dataverse 使用者能夠根據特定需求量身定制他們的資料選擇過程，確保對資料分析、模型訓練和評估進行有效和有針對性的方法。