生成式人工智能系统应用员一级高级技师 详细题库

模型性能优化方案设计知识 题目预览

• 第 1 题 单选题
  在生成式人工智能的文本生成任务中，用于评估生成文本与参考文本之间的最长公共子序列重叠程度的指标是（ ）。
  • A. ROUGE-L
  • B. BLEU
  • C. 困惑度
  • D. FID
  解析：ROUGE-L基于最长公共子序列（LCS），计算生成文本与参考文本的相似度，常用于文本摘要评估。BLEU基于n-gram精确率，困惑度衡量模型不确定性，FID用于图像生成。
• 第 2 题 单选题
  当模型在正负样本不平衡的数据集上训练时，能够同时兼顾精确率和召回率的综合指标是（ ）。
  • A. 准确率
  • B. 精确率
  • C. 召回率
  • D. F1值
  解析：F1值是精确率和召回率的调和平均数，能平衡两者，在类别不平衡时比准确率更合理。准确率受多数类影响大，精确率和召回率单独使用不全面。
• 第 3 题 单选题
  在回归任务中，衡量预测值与真实值之间平均绝对差异的指标是（ ）。
  • A. 均方误差
  • B. 平均绝对误差
  • C. 均方根误差
  • D. 决定系数
  解析：平均绝对误差（MAE）计算预测值与真实值绝对差的平均值。均方误差（MSE）是平方差的平均，均方根误差（RMSE）是MSE的平方根，决定系数（R²）衡量模型解释方差的比例。
• 第 4 题 单选题
  对于生成对抗网络生成的图像，评估其多样性和清晰度的经典指标是（ ）。
  • A. BLEU
  • B. ROUGE
  • C. Inception Score
  • D. 困惑度
  解析：Inception Score使用预训练的Inception网络计算生成图像的类别分布熵和边际分布之间的KL散度，同时衡量多样性和质量。BLEU和ROUGE用于文本，困惑度用于语言模型。
• 第 5 题 判断题
  在模型性能评估中，混淆矩阵只能用于二分类任务，无法应用于多分类任务。
  • A. 对
  • B. 错
  解析：混淆矩阵可以扩展到多分类任务，其行代表真实类别，列代表预测类别，可以计算每个类别的精确率、召回率等。
• 第 6 题 判断题
  对于回归模型，均方误差（MSE）的单位与原始目标变量的单位相同。
  • A. 对
  • B. 错
  解析：MSE是误差平方的平均值，单位是目标变量单位的平方。均方根误差（RMSE）的单位才与目标变量相同。
• 第 7 题 多选题
  在生成式人工智能模型性能评估中，以下哪些指标常用于评估文本生成的质量？（ ）
  • A. BLEU
  • B. ROUGE
  • C. Inception Score
  • D. 困惑度
  • E. FID
  解析：BLEU、ROUGE和困惑度（Perplexity）是文本生成常用指标。Inception Score和FID主要用于图像生成评估。
• 第 8 题 多选题
  在评估分类模型性能时，以下哪些指标能够有效应对类别不平衡问题？（ ）
  • A. 准确率
  • B. 精确率
  • C. 召回率
  • D. F1值
  • E. AUC-ROC
  解析：准确率在类别不平衡时容易失真，而精确率、召回率、F1值和AUC-ROC（受试者工作特征曲线下面积）都能更关注少数类或整体排序性能，适用于不平衡数据。