表格数据集的编制

问：

我正在尝试增加我一直在使用的数值数据集的大小。数据集包含以下列：['Name'， 'O3_1hr'， 'O3_4hr'， 'O3_8hr'， 'PM10 1 hr'， 'PM10'， 'AQI_O3_1hr'， 'AQI_O3_4hr'， 'AQI_PM10'， 'AQI_Site'， 'Date'， 'Time'， 'Latitude'， Longitude']。

以前，我尝试使用 GAN（生成对抗网络）进行数据增强。GAN的架构是：

def build_generator(latent_dim):
  model = Sequential()
  model.add(Dense(128, input_dim=latent_dim))
  model.add(LeakyReLU(alpha=0.2))
  model.add(BatchNormalization(momentum=0.8))
  model.add(Dense(256))
  model.add(LeakyReLU(alpha=0.2))
  model.add(BatchNormalization(momentum=0.8))
  model.add(Dense(512))
  model.add(LeakyReLU(alpha=0.2))
  model.add(BatchNormalization(momentum=0.8))
  model.add(Dense(14, activation='sigmoid'))
  model.add(Reshape((14,)))
  noise = Input(shape=(latent_dim,))
  feature_gen = model(noise)
  return Model(noise, feature_gen)

def build_discriminator():
  model = Sequential()
  model.add(Dense(512, input_dim=14))
  model.add(LeakyReLU(alpha=0.2))
  model.add(Dropout(0.4))
  model.add(Dense(256))
  model.add(LeakyReLU(alpha=0.2))
  model.add(Dropout(0.4))
  model.add(Dense(128))
  model.add(LeakyReLU(alpha=0.2))
  model.add(Dropout(0.4))
  model.add(Dense(1, activation='sigmoid'))
  feature = Input(shape=(14,))
  validity = model(feature)
  return Model(feature, validity)


def build_gan(generator, discriminator):
  discriminator.trainable = False
  gan_input = Input(shape=(100,))
  generated_feature = generator(gan_input)
  gan_output = discriminator(generated_feature)
  gan = Model(gan_input, gan_output)
  gan.compile(loss='binary_crossentropy', optimizer=Adam(lr=0.0001, beta_1=0.5))
  return gan

其结果如下：

Epoch 999/1000 [Dis loss: 0.3747815638780594, acc real: 78.91%, acc fake: 82.81%] [Gen loss: 2.687302589416504. 

我做了很多参数调整工作。这个精度是不可接受的，非常低。 我将不胜感激这方面的任何指导或建议。具体来说，我对数据增强的替代方法或任何其他技术感兴趣，这些方法可以有效地扩展数字数据集，同时保留数据中已经存在的完整性和模式。