La respuesta corta es sí, puede hacerlo. La validación cruzada k-fold se suele utilizar cuando los datos de muestra son suficientemente limitados. Por su descripción, a menos que su ordenador disponga de pocos recursos, parece que tiene una muestra muy grande. Si ese es el caso (su conjunto de datos de muestra es suficientemente grande), entonces podría hacer una validación cruzada de 2 veces. Esto daría lugar a 2 muestras (A y B), donde primero se entrena en A y se prueba en B, y luego viceversa.
Como ha mencionado un comentarista, el bagging (agregación bootstrap) es otra opción, aunque un clasificador ensemble puede no ser aplicable/deseable para su problema en particular. Otra opción sería extraer aleatoriamente muestras de ~ 10% de los datos para el entrenamiento, luego otro 10% para la prueba y repetir ese proceso varias veces y evaluar la variabilidad de sus resultados.
Lo que puede complicar el análisis es que usted ha declarado que está intentando aprender a trabajar en red. estructura . Si la estructura de la red (aristas entre nodos) ya está definida, evaluar la variabilidad de los pesos de la red es bastante sencillo, pero cuantificar la variabilidad de la estructura de la red (qué nodos están conectados y en qué dirección) es un proceso más complicado.
