Значение потерь означает, насколько плохо или хорошо ведет себя модель после каждой итерации оптимизации. где точность модели обычно определяется после параметров модели и рассчитывается в процентах.
Да, обучение и проверка должны быть высокими. Числа всегда зависят от предметной области, где мы имеем дело. В случае с медицинским доменом эти цифры не очень хорошие.
Если у вас серьезный дисбаланс классов, ваша модель максимально увеличит точность, просто выбрав наиболее распространенный класс, но это не будет полезной моделью. В этом случае кросс-энтропия или логарифмическая потеря была бы лучшей функцией потерь для оптимизации.
Как правило, чем ниже потери, тем лучше модель, если модель не соответствует данным тренировки.
10th Эпоха лучше всего, когда вы получили более высокую точность проверки и меньшие потери проверки.