样本怎么分配
时间：
样本分配的方法主要根据研究目的、数据集大小、置信度要求等因素来决定。以下是一些常见的样本分配方法：
简单随机抽样
总样本量确定后，可以采用总样本量固定方法分配样本，包括按照比例分配和不按照比例分配两类。
如果有一定辅助变量可以使用，可以采用按照规模分配法分配样本量。
分层抽样
将总体分成不同的层，然后从每一层中随机抽取样本。
分层的依据可以是某些特征，如年龄、性别、病情程度等，以使每层的样本变异程度显著降低，提高精确度。
比例分配
根据各阶分层的规模和方差，将总样本量按照比例分配到各层中。
具体方法包括比例分配和比例平方根分配法。
随机分配
将研究对象随机地分到各个组别中，以消除选择偏倚和分组偏倚的影响。
常见的方法包括使用随机数表、计算机生成的随机数等方式进行分配。
训练集、验证集和测试集的划分
在机器学习中，通常将样本分成训练集、验证集和测试集三部分。
数据集规模较小时，适用传统的70%训练集、20%验证集和10%测试集的比例划分。
数据集规模较大时，验证集和测试集要小于数据总量的20%或10%。
正负样本分配策略
在目标检测算法中，如YOLO系列算法，有特定的正负样本分配策略。
例如，Yolov5使用预定义的anchor与ground truth的匹配情况来分配正样本，YOLOX则根据每个GT的预测样本确定它需要分配到的正样本数。
样本量分配原则
根据允许的抽样误差范围确定样本量。
保证每组的样本量不能低于一定数量，如每个小组的样本量至少在20个到50个之间。