Statistics 凯拉斯：如何找出无效假设？

我正在用keras训练一个深层神经网络。其中一个分数叫做val_acc。我得到了70%的val_acc。我怎么知道这是好是坏？神经网络是一个二元分类器，所以我试图预测1或0。数据本身约为65%0和35%1。我的70%增值税有什么好处吗

准确度并不总是评价分类器的正确标准。例如，对您来说，对1的分类可能比对0的分类更为正确（例如欺诈检测）或其他方式更为重要。因此，您可能对具有更高精度（特异性）或召回率（敏感性）的分类器感兴趣。换句话说，假阳性对你来说可能比假阴性更昂贵。如果您对错误分类（例如FPs和FN）的成本有一些了解，那么您可以精确地计算特定阈值，该阈值对于0-1分类是最佳的（而不是默认的0.5）。您也可以使用ROC曲线和AUC来查找分类器的性能（AUC越高越好）。最后，您可能需要考虑Kappa统计量来找到分类器的有用性/有效性。