准确度是指分类模型对于测试集、训练集或验证集中样本的正确分类率。在使用SPSS Modeler或其他机器学习工具进行分类任务时，获得65%左右的准确度是一个常见的情况。然而，是否有实际参考价值取决于具体的应用场景和问题的复杂性。对一些简单的分类问题或者数据集相对简单的情况，65%的准确度可能已经是一个不错的结果。但对于一些复杂的分类问题，比如高度不平衡的数据集、特征之间相关性较强、噪音较多的数据等，65%的准确度可能不足以满足实际应用的要求。
在实际工作中，准确度仅仅是评估分类模型性能的一个指标，还需要考虑其他评估指标来全面评估模型的优劣。一些常用的评估指标包括：
混淆矩阵（Confusion Matrix）： 混淆矩阵是用来表示模型预测结果的分类情况，包括真阳性、真阴性、假阳性和假阴性。从混淆矩阵中可以计算出精确率、召回率、F1分数等指标，进一步评估模型在不同类别上的性能。
ROC曲线（Receiver Operating Characteristic Curve）： ROC曲线是用来评估二分类模型的性能，展示了模型在不同阈值下的真阳性率和假阳性率之间的折衷关系。面积下面积（AUC）是ROC曲线下面积的度量，用来评估模型的分类能力。
对高度不平衡的数据集，可以使用特定的评估指标如查准率、查全率、G-Measure等来更全面地评估模型性能。

测试集和训练集准确度的稳定性可能是模型已经达到一定性能瓶颈，或者数据质量、样本量等因素限制了模型的进一步提升。当测试集和训练集的准确度始终变化不大，或者几乎没有增减变化，可能存在以下几种情况：
1、欠拟合（Underfitting）： 欠拟合是指模型过于简单，不能很好地拟合训练数据。即使输入变量增加或减少，模型的预测能力也没有明显改善或恶化。在这种情况下，模型可能无法捕捉数据中的复杂关系，导致训练集和测试集的准确度都相对较低且稳定。
2、特征之间的相关性： 如果输入变量之间存在强烈的相关性，可能会导致模型对数据进行了冗余拟合，即使增加或减少输入变量，模型的性能也不会有明显的变化。
3、样本数据不足： 如果训练集和测试集的样本数据量较小，模型可能无法从数据中学到足够的模式和规律，导致准确度的变化较小。
4、模型复杂度合适： 如果模型的复杂度已经适中，增加或减少输入变量并不会显著影响模型的性能。这种情况下，模型可能已经找到了较好的平衡点，再次调整模型可能不会带来明显的改进。
5、其他因素影响： 测试集和训练集的准确度受到多个因素的影响，包括数据质量、模型选择、参数调优等。如果这些因素保持不变，准确度也可能保持相对稳定。
针对以上情况，可以考虑以下措施：
如果存在欠拟合问题，可以尝试使用更复杂的模型或增加特征工程步骤，以提高模型的拟合能力。
如果特征之间存在相关性，可以考虑进行特征选择或降维处理，以减少冗余信息。
如果样本数据不足，可以尝试收集更多的数据或使用数据增强技术来扩充样本量。
如果模型复杂度合适，可以考虑进行模型融合或集成学习等方法，以进一步提高模型性能。
评估模型时还需注意使用交叉验证等方法，确保模型的泛化能力和稳定性。

十分感谢。
经过你的提醒，还真存在数据特征之间的高度相关性。