训练神经网络时要寻找的典型事项：

• 学习曲线：验证集 X 大小的训练集上的误差图。随着网络的训练，误差必须减少，所以如果你看到波动或增加，那就是错误的。
• 学习率：学习率影响梯度下降的收敛性。小的学习率会使模型过拟合数据，而大的可能会使其欠拟合。
• 精度：在训练集中的分类样本中，有多少网络是正确的，或者更准确地说，有多少是按预期分类的？
• 回想一下：在所有积极的例子中，在你的例子中，有多少是付费的，它被归类为paid多少？

如果您发现网络性能不佳，您可以：

• 添加使模型更好地拟合数据的其他特征 - 例如将平均家庭收入添加到特征中
• 获取更多训练示例
• 一些论文表明，更深层次的网络能够捕捉到他们试图拟合的模型的细微之处，因此尝试网络架构是一种选择。