在这种情况下，我有一个信用卡交易的dataset，包括284807条记录，每条记录都被标记为欺诈或正常交易（变量’Class’代表交易的标签）。我使用tensorflow在Python中实现了一个多层感知器（遵循我在网上找到的一个开源教程），以构建一个二元分类器来预测某一交易是否可能是欺诈案例。为此，我将数据按70%和30%的比例分割成训练集和验证集。运行模型仅10个周期后，我得到了99.8%的准确率！！这对我来说似乎是一个不合逻辑的结果。我还注意到测试集在训练过程中没有使用，而只是在最后用来计算准确率。所以，请问这里的准确率代表什么意思？我应该如何计算我模型的最终准确率？

以下是我的代码和结果。

...

这是输出结果：

...

抱歉由于我刚开始学习tensorflow，可能对问题的描述有误。提前感谢您的帮助！！

回答：

你应该首先分析数据集的分布，因为这种正常-欺诈数据集通常是高度不平衡的，意味着正常案例的数量与欺诈案例相比不成比例地高。例如，如果数据集中只有1%代表欺诈案例，那么即使是99%的准确率也不能说足够好。在这种情况下，使用精确度和敏感度是衡量准确率的更好指标。

在你的情况下，重要的是你能正确识别所有欺诈案例，即使你将一些正常案例错误分类为欺诈。对于这种需求，敏感度是一个好的指标（敏感度基本上代表模型检测正例/欺诈的效果如何）。