虽然其他答案没有错，但它们并没有涉及生物信息学的任何内容。我会详细介绍。

在生物信息学中，简单地询问训练集的大小是没有意义的。您需要更深入地了解生物信息学才能回答这个问题。有一个很好的参考：使用 SomaticSeq为您准确检测体细胞突变的集成方法。

该项目的目标是构建一个梯度增强机器，用于在给定对齐文件的情况下对体细胞突变进行分类。这与您正在做的事情非常接近。

现在，您想知道训练规模吗？你应该问自己以下问题：

• 测序错误
• 读取
• 测序深度
• 灵敏度
• F1分数
• 等位基因频率

在下一代测序中，您的测序仪总是会给您错误。您检测这些错误的管道有多可靠？

你的阅读对你的问题有多好？例如，如果您正在检测与结构变异相关的疾病，您可能需要更多样本来弥补短读数。

你的测序深度是多少？在我引用的论文中，它们的深度大约是 30 倍。除非您非常了解自己的深度，否则谈论训练规模是没有意义的。

您的测序是否很好地覆盖了您感兴趣的基因组区域？

灵敏度和 F1 分数。您可以通过绘制类似于论文中的 F1 曲线来获得好主意：

您预期的等位基因频率范围是多少？如果您有接近 0.5 的值（即：最大杂合度），那么使用较小的样本量可能是安全的。但是，如果您尝试检测一种罕见疾病，例如图中的 <0.1，您将需要更多样本并且很可能需要更多特征。

根据经验，我们通常使用尖峰标准来测量灵敏度。一旦你绘制了对训练规模的敏感度，你就会知道使用什么训练规模来实现你正在寻找的任何敏感度。一个典型的工具是 ROC。

样本数与特征数之比应大于 10:1 才能获得足够好的结果。但这个比率也因应用而异。如果训练数据非常少：确保数据集是平衡的，尝试集成方法，仔细选择特征，执行交叉验证

首先，对数据大小的关注是因为它可能对覆盖模型造成错误。考虑到这一概念，您可能希望使用当前数据测量模型的偏差和方差，了解模型的适合度，然后从那里获取。

这是我写的一篇文章，它可以帮助你做同样的事情：机器学习：你的数据应该有多大？

这篇文章谈到

1. 偏差和欠拟合
2. 方差和过拟合
3. 偏差-方差权衡和最优复杂度

它的结论是：

• 更多的样本数据总是很强大，但并不总是正确的答案。
• 当您增加样本数据时，请确保调整参数空间以最小化错误。