Керас бинарная кроссентропия с игнорированием неопределенных результатов
Я пытаюсь классифицировать бинарный образец с помощью Keras, и я хотел бы классифицировать как можно больше правильно, игнорируя те, в которых модель не уверена.
Полностью подключенная сеть Nerual в настоящее время достигает около 65%, но я хотел бы получить более высокий результат по сравнению с правильно классифицированными, игнорируя те, где модель неясна.
Есть ли способ заставить Keras просто игнорировать те, в которых модель является неопределенной, и таким образом достичь более высокой точности? Или есть схема сети, которая могла бы достичь этого, например, передать результат работы сети во вторую ее часть, которая затем решает, является ли прогноз вероятным точным или нет?
Одним из способов, которым я думал о достижении этого, является построение второй нейронной сети поверх нее, которая решает, основываясь на результате первой сети и всех ее входных данных, будет ли классификация правильной или нет. Будет ли эта работа, и если да, то нет ли более элегантного способа добиться этого за один раз?