我有来自生物库的 50,000 个 DNA 样本。只有 2,200 个样本具有我想在神经网络中进行监督学习的标签（疾病）。
所以我的问题是，我需要在训练数据中包含多少非患病样本？如果患病样本是我的病例，我的对照组应该有多大？两倍大？一样大吗？一个好的比例应该是多少？
特征空间非常大，所以我担心训练时间。感觉没有必要包括所有其他 48,000 个控件。
是的，是的，我知道这将取决于我在模型中看到的准确性，但是什么是好的起始比率？
25-75 对神经网络来说是一个很好的病例控制比吗？
数据挖掘
张量流
2022-03-13 18:03:55
1个回答
我不认为这样的问题真的有最佳答案。我建议对照组至少应为 50%，但除此之外的任何东西都会更好。对于 NN 模型，您为其训练提供的示例越多，它学习的模式就越多，它就越准确。如果你可以使用整套，那就去做吧！
这实际上取决于时间限制和处理能力。尝试从一个小样本开始，可能是几十个或几百个样本，看看需要多长时间。然后尝试大约两倍大小的样本并再次检查。然后，您可以推断在给定时间限制下可以使用的样本大小。
如果您使用这种方法，请确保使用分层 k 折拆分进行交叉验证。这将保持样本中的相对分布。希望这可以帮助。
其它你可能感兴趣的问题