这个问题问得好。您的问题是神经网络的经典分类问题。在这个问题中，神经网络的主要目标是通过一些非线性（通常）变换来变换数据，使数据变为线性可分的，以便最后一层执行分类。

注意事项：这不是回归问题，因此您正在尝试拟合曲线。每当逻辑上存在回归问题时，您都可以使用 PDF 编写有关新数据的某种信息。您可以用数学方式表达数据落在一定误差范围内的概率，因为这是一个优化连续函数问题（通常是 RMSE）。

这不是分类器的情况。分类器遵循伯努利概率（尽管我们将成本函数表示为连续的）。因此，当前事件与过去事件无关。这使得分类器更难训练不平衡类。所以如果我们写：

func foo(data):
    return True

它几乎有 98% 的准确率，但你可以理解我们不想要这种类型的分类器。

一般来说，我们希望这两个类都具有良好的准确度分数，有时这是通过以下方式衡量的$F1_{score}$但我喜欢从比例的角度来考虑。如果我们有$n$例子$m$在一个类中，然后和分类器$a_1$和$a_2$分别在两个类中正确预测，然后我会检查两个指标$\frac {a_1}{m}$和$\frac {a_2}{n-m}$，这为您提供了总体思路。

在实践中，2% 的识别有时比其余的 98%（飞机缺陷、癌症检测）重要得多。因此，我们使用称为异常检测器的特殊 ML 算法来解决此类问题。