Deep learning 数据集大小和交叉验证的需要（医学领域）？
我目前正在设想一个对脉搏波（正常与病理）进行分类的深入学习模型 此时，脉搏数据集数量约为200万，正常与病理标签余额约为3:1 分层10倍交叉验证目前对于我的计算机系统来说过于耗时和沉重的负担 所以，这是我的问题， 当创建一个包含约200万数据的深度学习模型时，是否需要交叉验证 我想再问一个问题 我想通过深度学习模型的脉搏分类结果来预测患者结果，以进一步评估我的深度学习模型的适用性（从大约300名患者中提取了200万数据） 这种方法有意义吗 结果较差的患者不可避免地会有许多病理脉冲，因此，我担心深度学习模式会有作弊行为 我仍然很困惑，因为我在医学领域很少有机器学习的经验 谢谢你的帮助Deep learning 数据集大小和交叉验证的需要（医学领域）？,deep-learning,cross-validation,medical,Deep Learning,Cross Validation,Medical,我目前正在设想一个对脉搏波（正常与病理）进行分类的深入学习模型 此时，脉搏数据集数量约为200万，正常与病理标签余额约为3:1 分层10倍交叉验证目前对于我的计算机系统来说过于耗时和沉重的负担 所以，这是我的问题， 当创建一个包含约200万数据的深度学习模型时，是否需要交叉验证 我想再问一个问题 我想通过深度学习模型的脉搏分类结果来预测患者结果，以进一步评估我的深度学习模型的适用性（从大约300名患者中提取了200万数据） 这种方法有意义吗 结果较差的患者不可避免地会有许多病理脉冲，因此，我担心
诚恳地说，CV需要作为模型质量的代理，用于测试和调整其参数。10倍的CV在我看来太多了。使用200万个项目，您可以将10-20%的数据（随机选择）用于简单的列车测试拆分。使用较小的数据集或试图从数据中提取大部分数据时，折叠是必要的。即使是这样，10倍也是一种滥杀。我通常会看到3-5次折叠