机器学习肥料预测任务：非随机扩充分类数据集方法咨询

基于农业领域知识的插值与平滑 #

• 数值型特征：按「土壤类型+作物类型+肥料类型」分组，在组内现有样本的合理特征区间做线性插值。比如某组有20℃和25℃的温度样本，可生成22℃、23℃等中间值，同时参考农业常识保持温度与湿度、降雨量的关联（比如温度升高时，湿度合理降低）。
• 类别型特征：针对样本量少的土壤/作物类别，结合农业生产逻辑补充样本。比如某类土壤适合特定作物种植，就基于该组合的现有特征范围，生成符合实际种植规律的新样本。

同组相似样本的加权合成 #

• 对每个样本，在其同类别、同土壤-作物组合的k近邻样本中，生成加权平均的新样本。加权时优先赋予N/P/K、pH等对肥料类型影响更大的特征更高权重，而非随机分配权重，保证合成数据符合农业养分逻辑。

基于实际逻辑的特征变换与衍生 #

• 生成有农业意义的衍生特征，将原样本与衍生特征组合成新样本：比如计算「湿度-温度比值」「N/P/K总养分含量」「降雨量与温度的乘积」等，这类衍生特征能保留原样本的标签合理性，相当于从单一样本扩展出多维度有效样本。
• 对数值特征做小范围合理扰动：比如温度波动±1℃、湿度波动±2%，扰动幅度严格参考田间环境的真实波动范围，避免无意义的随机改动。

分组重复采样与特征细分 #

• 按「土壤类型+作物类型+肥料类型」分组，对组内样本重复采样时，对某一特征进行细分。比如某组有pH6.0的样本，可拆分为pH5.9、6.0、6.1的样本，其他特征保持不变，这种细分符合土壤pH的自然渐变规律。

多源合规数据融合 #

• 查找公开的农业田间试验数据集（如农业科研机构发布的土壤-作物-肥料匹配数据），筛选与当前数据集特征维度一致的样本，清洗后合并。注意要保证数据分布与现有数据集一致，避免引入分布偏移的样本。

内容的提问来源于stack exchange，提问作者Ukant