我正在训练用于肿瘤分割的Unet模型。为此，我有一个包含400 名患者的数据集。使用的图像是 CT 扫描（3D 图像），我将其划分为 2D 图像（总共 30k 2D 图像）。
我实际上将数据集分为：10% 的测试数据、18% 的验证数据、72% 的实际训练数据。我将测试和训练数据划分为患者（即用于测试的患者与用于训练的患者不同）。之后，我将 2D 图像打乱并拆分为训练/测试数据集（即可以在训练数据集和验证数据集中找到相同的患者，但不是相同的堆栈图像）。
我有两个问题：
通常数字（百分比）并不重要。
重要的是您的拆分（训练/测试/验证）做了两件事。表示现实世界的情况，并确保模型可以泛化，因为它是在保持集上评估的。
那么这到底是什么意思呢？您有 30k 图像和 400 名患者。最有可能的患者（扫描）会彼此不同，因此您应该根据患者进行拆分，以确保模型可以概括略有不同的图像分布。
并按百分比计算。你需要确保你在训练测试和验证中找到的东西代表你的问题。这可能意味着按患者拆分、按其他功能拆分、检查数据分布等，但这并不意味着您确定只有一组中有 12%。
这意味着什么。假设您有 1000 行数据。您将 90% 和 10% 分开，因此在坚持中您有 100 个数据点。但在 900 列的火车中，它们中的大多数是相同的。它们与坚持的 100 分不同。这是一个很好的分裂吗？显然不是因为你的模型什么都没学到。
通常，您应该拥有 60% 的训练数据集和 20% 的验证以及测试集。我不熟悉肿瘤分割的事情，但只要同一患者的图像不同并且具有一定的相关差异水平就足够了。