2025年机器学习模型评估指标（F1-Score）应用试卷及答案.docxVIP

2025年机器学习模型评估指标（F1-Score）应用试卷及答案

考试时间：______分钟总分：______分姓名：______

一、选择题

1.F1-Score是以下哪两个指标的调和平均数？

(A)精确率和准确率

(B)召回率和准确率

(C)精确率和召回率

(D)真实准确率和错误拒绝率

2.当一个分类模型的Precision为0.8，Recall为0.6时，其F1-Score是多少？

(A)0.72

(B)0.75

(C)0.7778

(D)0.8

3.以下关于F1-Score的说法，哪一项是正确的？

(A)F1-Score的值可以超过2

(B)F1-Score只考虑了TruePositives的数量

(C)F1-Score在类别不平衡时总是优于准确率

(D)F1-Score的计算需要知道TrueNegatives的数量

4.在评估一个用于检测网络入侵的模型时，发现模型能检测到90%的入侵行为（Recall=0.9），但会将10%的正常网络流量误判为入侵（Precision=0.1）。此时，F1-Score反映了模型什么方面的综合表现？

(A)准确判断正常流量的能力

(B)查全入侵行为的能力

(C)查准（避免误报）和查全（避免漏报）的综合平衡

(D)模型训练的复杂度

5.相比于准确率，F1-Score的主要优势在于？

(A)能更好地处理大量数据

(B)对不同类别样本的权重设置更灵活

(C)在样本不平衡时能提供更可靠的评估

(D)计算速度更快

6.如果一个模型的F1-Score为0.8，这意味着什么？

(A)该模型的Precision为0.8

(B)该模型的Recall为0.8

(C)该模型在Precision和Recall上达到了良好的平衡

(D)该模型的准确率为0.8

7.当Precision和Recall都趋近于1时，F1-Score的值会趋近于？

(A)0

(B)0.5

(C)1

(D)无法确定

8.以下哪种情况会导致一个模型的F1-Score下降？

(A)Precision上升，Recall不变

(B)Precision不变，Recall上升

(C)Precision和Recall都上升

(D)Precision下降，Recall上升

9.在垃圾邮件检测任务中，通常更关心漏检（将垃圾邮件判为正常邮件）还是误判（将正常邮件判为垃圾邮件）？F1-Score如何帮助评估？

(A)更关心误判，F1-Score平衡了两者

(B)更关心漏检，F1-Score平衡了两者

(C)F1-Score无法区分这两种错误

(D)实际应用中两者同等重要，F1-Score不适用

10.假设有一个二分类问题，其中正例仅占1%，负例占99%。如果一个模型将所有样本都预测为负例，那么其准确率是多少？这个准确率是否能够真实反映模型性能？F1-Score在这种情况下有何价值？

(A)准确率=0.99，能真实反映模型性能，F1-Score无价值

(B)准确率=0.99，不能真实反映模型性能，F1-Score价值不大

(C)准确率=0.99，不能真实反映模型性能，F1-Score能提供更可靠的评估

(D)准确率=0.01，能真实反映模型性能，F1-Score无价值

二、填空题

1.F1-Score的计算公式`F1=2*(Precision*Recall)/(Precision+Recall)`中，Precision代表________与(TruePositives+FalsePositives)的比值。

2.F1-Score的计算公式`F1=2*(Precision*Recall)/(Precision+Recall)`中，Recall代表________与(TruePositives+FalseNegatives)的比值。

3.如果一个模型对100个正例样本中，正确预测了90个（TP=90），错误预测为负例的有5个（FP=5），则Precision的值为________。

4.如果一个模型对100个正例样本中，正确预测了90个（TP=90），错误遗漏了10个（FN=10），则Recall的值为___