专高四第16单元

本次测试涵盖逻辑回归原理及分类模型评估相关知识，请认真作答。

1. Sigmoid函数的输出值域为(-1,1)，可以将任意实数映射为区间内的数值。

对错

2. 逻辑回归的决策边界是由模型参数决定的非线性边界，无法用线性方程表示。

对错

3. 相较于均方误差损失，交叉熵损失能够有效解决逻辑回归梯度消失的问题，更适合二分类任务。

对错

4. ROC曲线的横轴是真正例率（TPR），纵轴是假正例率（FPR）。

对错

5. 调整分类阈值时，只会影响精确率和召回率，不会改变混淆矩阵的各项数值。

对错

6. 下列关于Sigmoid函数和逻辑回归原理的说法，正确的有

Sigmoid函数在输入值趋近于正无穷时，输出趋近于1逻辑回归本质是广义线性模型，基于线性拟合结果做概率映射Sigmoid函数中心点为x=0，此时输出值为0.5逻辑回归仅能用于二分类，无法拓展至多分类任务

7. 关于逻辑回归交叉熵损失函数的特点，描述正确的有

预测值与真实值偏差越大，损失值越高交叉熵损失是凸函数，可通过梯度下降找到全局最优解均方误差损失比交叉熵损失更适配逻辑回归分类场景梯度下降优化的核心是不断更新模型参数，最小化损失函数

8. 下列属于机器学习分类模型核心评估指标的有

精确率（Precision）召回率（Recall）F1分数AUC值

9. 关于混淆矩阵及阈值调优，说法错误的有

提高分类阈值，通常会提升模型精确率、降低召回率混淆矩阵仅包含真正例、假负例两类指标降低阈值会让模型判定为正样本的数量增多阈值调整不会影响模型的预测结果分布

10. 使用sklearn计算分类评估指标时，可直接调用的函数有

precision_scorerecall_scoref1_scoreroc_auc_score

11. 逻辑回归中，Sigmoid函数的核心作用是

拟合数据线性关系将预测结果转化为0-1概率值优化损失函数降低模型过拟合风险

12. 二分类任务中，AUC的取值范围是

(0,1)(-1,1)(0,100)(-∞, ∞)

13. 当模型需要优先减少漏判（尽可能找出所有正样本）时，应重点优化哪项指标

精确率召回率特异度准确率

14. 逻辑回归梯度下降迭代的最终目的是

最大化交叉熵损失最小化交叉熵损失最大化样本数量最小化模型参数

15. ROC曲线中，AUC值越接近1，代表模型性能

越差越好无变化波动越大

16. 混淆矩阵中，FP（假正例）指的是

真实正样本，预测为正真实负样本，预测为正真实正样本，预测为负真实负样本，预测为负

17. 下列关于逻辑回归决策边界的说法正确的是

一定是非线性曲线由模型权重和偏置参数决定不受输入特征影响阈值调整不会改变决策边界

18. F1分数的计算公式是基于哪两个指标的调和平均数

精确率、召回率准确率、特异度TPR、FPRAUC、准确率

19. 使用sklearn计算混淆矩阵的核心函数是

metrics.confusion_matrixmetrics.roc_curvemetrics.classification_reportmetrics.accuracy_score

20. 在正负样本极度不均衡的场景下，最能客观评估模型性能的指标是

准确率AUC精确率样本总数

更多问卷复制此问卷