我将这个问题理解为涉及特征构建和处理您已经拥有的大量特征 + 将构建，相对于您的观察 ( N << P)。

特征构造

扩展@yasin.yazici 的评论，增加数​​据的一些可能方法是：

• 主成分分析
• 自动编码
• 转换，例如对数、幂等。
• 将连续变量分箱为离散类别（即，连续变量高于平均值 1 SD，低于平均值 1，等等）
• 复合变量（例如，请参见此处）

我敢肯定还有很多我想念的。

特征选择/降维

您可以使用诸如 PCA 之类的技术来降低维度（尽管在使用 PCA 变量扩充数据之后可能不会）。或者，您可以使用为您执行特征选择的算法，例如套索、随机森林等。

我遇到了类似的问题，我想增加未标记的数字数据。我通过以下方式扩充数据：（假设我有一个大小为 100*10 的数据集。）

1. 通过从 {0,1} 中随机采样值来创建一个列表，使得 0 的数量小于 1 的数量，比如在这种情况下 0 的比例为 20%。所以会有一个长度为 100 的 0 和 1 的列表。
2. 将此列表用作因变量并将其传递给 smote 以生成更多数据点。（这里 smote 将在连接数据点的边缘上生成点，这些点对应于生成的列表中的 0）。
3. 重复此过程，直到获得所需大小的数据集。