人工智能工程技术人员五级初级工-人工智能平台产品实现 详细题库

机器学习与深度学习算法常见的评估方法：准确率、召回率、AUC 指标、ROC 曲线、检测指标、分割指标等 题目预览

• 第 1 题 单选题
  在二分类任务中，当正负样本数量极不平衡时，以下哪个指标最能反映模型对少数类的识别能力？
  • A. 准确率
  • B. 召回率
  • C. AUC指标
  • D. 检测指标
  解析：召回率关注实际为正类的样本中被正确预测的比例，在样本不平衡时更能体现模型对少数类（正类）的捕获能力。
• 第 2 题 单选题
  模型将正类预测为正类的数量为80，将负类预测为负类的数量为900，将正类预测为负类的数量为20，将负类预测为正类的数量为100。该模型的准确率约为（ ）。
  • A. 0.80
  • B. 0.89
  • C. 0.90
  • D. 0.92
  解析：准确率 = (TP+TN) / (TP+TN+FP+FN) = (80+900) / (80+900+100+20) = 980/1100 ≈ 0.8909。
• 第 3 题 单选题
  在ROC曲线中，曲线下的面积（AUC）等于0.5时，表示模型（ ）。
  • A. 完美分类
  • B. 完全随机分类
  • C. 反向分类
  • D. 无法计算
  解析：AUC为0.5表示模型与随机猜测无异，即没有区分能力。
• 第 4 题 单选题
  对于多分类任务，宏平均召回率计算的是（ ）。
  • A. 所有类别的召回率求和后除以类别数
  • B. 所有样本的召回率取加权平均
  • C. 每个类别的召回率乘以该类样本数后求和再除以总样本数
  • D. 所有类别的精确率与召回率的调和平均
  解析：宏平均召回率先分别计算每个类别的召回率，再求算术平均，不考量样本数量权重。
• 第 5 题 判断题
  在分类任务中，精确率与召回率是一对相互矛盾的指标，通常无法同时达到较高值。
  • A. 对
  • B. 错
  解析：精确率关注预测为正类中实际为正的比例，召回率关注实际为正中被预测为正的比例，两者通常呈反向关系，需权衡。
• 第 6 题 判断题
  ROC曲线上的每个点对应一个固定的分类阈值，AUC值越大说明模型在不同阈值下的综合性能越好。
  • A. 对
  • B. 错
  解析：ROC曲线通过改变阈值得到一系列（假正率，真正率）点，AUC为曲线下面积，面积越大代表模型排序能力越强。
• 第 7 题 多选题
  以下关于混淆矩阵中各项指标的计算公式，正确的有（ ）。
  • A. 准确率 = (TP+TN) / (TP+TN+FP+FN)
  • B. 精确率 = TP / (TP+FP)
  • C. 召回率 = TP / (TP+FN)
  • D. F1分数 = 2 * 精确率 * 召回率 / (精确率 + 召回率)
  • E. 特异度 = TN / (TN+FP)
  解析：混淆矩阵中所有基础指标均按上述公式定义，五选项均正确。
• 第 8 题 多选题
  在图像分割任务中，常用的评估指标包括（ ）。
  • A. 交并比（IoU）
  • B. 像素准确率（PA）
  • C. 精确率
  • D. 召回率
  • E. 均交并比（mIoU）
  解析：图像分割评估包括像素级指标（PA、精确率、召回率）和区域级指标（IoU、mIoU），所有选项均为常用指标。