向统计学家提出任何问题，他们的回答将是某种形式的“视情况而定”。

这取决于. 除了模型的类型（好点 cbeleites！），训练集点的数量和预测器的数量？如果模型是用于分类的，那么大的类不平衡会导致我增加重复次数。此外，如果我正在重新采样特征选择过程，我会偏向于更多的重新采样。

对于在这种情况下使用的任何重采样方法，请记住（与经典自举不同），您只需要足够的迭代来获得对分布均值的“足够精确”的估计。这是主观的，但任何答案都会是。

坚持使用两个类别进行分类，假设您期望/希望模型的准确度约为 0.80 。由于重采样过程是对准确度估计进行采样（例如p），因此标准误差将是sqrt[p*(1-p)]/sqrt(B)重B采样次数。对于B = 10，准确度的标准误差约为 0.13，而B = 100它的标准误差约为 0.04。对于这种特殊情况，您可以使用该公式作为粗略指南。

还要考虑到，在这个例子中，准确度的方差越接近 0.50 就会最大化，因此准确的模型应该需要更少的复制，因为标准误差应该低于弱学习器的模型。

高温下，

最大限度

影响因素是您的模型的稳定性——或者更准确地说：代理的预测。

如果模型完全稳定，则所有代理模型将对相同的测试用例产生相同的预测。在这种情况下，不需要迭代/重复，它们不会产生任何改进。

正如您可以衡量预测的稳定性，这就是我要做的：

• 以将每次交叉验证重复/迭代的结果保存到硬盘的方式设置整个过程
• 从大量迭代开始
• 经过几次迭代后，获取初步结果并查看每次运行结果的稳定性/变化。

• 然后决定你想进一步迭代多少次来优化结果。

• 当然，您可能会决定运行 5 次迭代，然后再决定要执行的最终迭代次数。

（旁注：我通常使用 > ca. 1000 代理模型，因此典型的重复/迭代次数约为 100 - 125）。