2026年AI技能等级模拟测试卷及答案

2026年AI技能等级模拟测试卷及答案一、单项选择题（本大题共20小题，每小题1.5分，共30分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在深度学习的优化过程中，为了解决梯度消失或梯度爆炸问题，通常在循环神经网络（RNN）中采用哪种特殊的结构单元？A.感知机B.卷积层C.长短时记忆网络（LSTM）D.线性回归模型2.Transformer模型的核心机制是自注意力机制，在计算缩放点积注意力时，为了防止点积数值过大导致梯度消失，引入了缩放因子，该因子是？A.B.C.1D.3.在生成式对抗网络（GAN）中，包含两个相互对抗的网络模型，分别是生成器和判别器。判别器的主要目标是？A.生成尽可能真实的数据以欺骗判别器B.区分真实数据和生成器生成的假数据C.最小化生成数据的重构误差D.最大化潜在空间的分布方差4.下列关于大语言模型（LLM）中的“温度”参数描述正确的是？A.温度越高，模型输出的随机性越低，结果越确定B.温度越低，模型输出的随机性越高，结果越多样C.温度设置为0时，模型将总是选择概率最大的词D.温度参数只影响训练速度，不影响推理结果5.在计算机视觉任务中，卷积神经网络（CNN）的池化层的主要作用是？A.增加数据的维度B.提取图像的高频细节信息C.降低特征图的空间维度，减少计算量和参数数量D.增加网络的非线性表达能力6.监督学习、无监督学习和强化学习是机器学习的三大主要范式。AlphaGoZero主要通过哪种范式进行自我对弈和学习？A.监督学习B.无监督学习C.强化学习D.迁移学习7.在自然语言处理（NLP）中，BERT模型的全称是？A.BidirectionalEncoderRepresentationsfromTransformersB.BinaryEncodingRepresentationforTextC.BasicEncoderRepresentationTransformerD.BidirectionalEmbeddingRecurrentTransformer8.下列哪个正则化方法通过在损失函数中添加权重的L2范数项来防止过拟合？A.DropoutB.EarlyStoppingC.WeightDecay（权重衰减）D.DataAugmentation（数据增强）9.在评估分类模型时，精确率和召回率往往是一对矛盾的指标。F1分数是精确率和召回率的调和平均数，其计算公式为？A.2B.C.D.P10.关于扩散模型的正向扩散过程，下列描述正确的是？A.逐步向图像中添加高斯噪声，直到图像变成纯随机噪声B.逐步从纯随机噪声中去除噪声，还原出清晰图像C.通过VAE（变分自编码器）将图像编码为潜在向量D.通过判别器判断图像是否真实11.在机器学习中，所谓的“维数灾难”是指？A.特征维度过高导致模型训练时间过长B.特征维度过高导致数据样本在空间中变得稀疏，距离度量失效，计算复杂度指数级增长C.特征维度过高导致模型无法收敛D.特征维度过高导致内存溢出12.下列哪种激活函数在深度网络中被广泛使用，且能够缓解梯度消失问题，因为它在正区间的导数恒为1？A.SigmoidB.TanhC.ReLU(RectifiedLinearUnit)D.Softmax13.在目标检测任务中，YOLO（YouOnlyLookOnce）算法的主要特点是？A.基于区域提议的两阶段算法，精度高但速度慢B.将目标检测视为回归问题，单阶段直接预测边界框和类别，速度快C.仅用于图像分割任务D.必须使用RPN（区域提议网络）生成候选框14.提示工程是提升大模型表现的关键技术。下列哪种提示策略通过向模型提供少量示例来引导其输出？A.Zero-shotPrompting（零样本提示）B.Few-shotPrompting（少样本提示）C.Chain-of-ThoughtPrompting（思维链提示）D.Role-playingPrompting（角色扮演提示）15.在聚类算法中，K-Means算法的目标是？A.最小化类内距离，最大化类间距离B.最大化类内距离，最小化类间距离C.最大化所有点到聚类中心的距离D.最小化所有点到聚类中心的距离平方和16.下列关于模型参数量的说法，正确的是？A.模型参数量越多，模型在测试集上的表现一定越好B.模型参数量越少，模型的泛化能力一定越强C.参数量是衡量模型大小和复杂度的重要指标，但需要与数据量匹配D.参数量只影响模型的推理速度，不影响精度17.在深度学习框架中，自动求导机制允许开发者自动计算梯度。PyTorch中用于构建动态计算图的核心概念是？A.SessionB.TensorC.Variable(在较新版本中已并入Tensor)D.Graph18.下列哪项技术不是目前用于解决大模型显存不足的常用方法？A.模型量化B.梯度检查点C.混合精度训练D.增加BatchSize（批量大小）19.在自然语言处理中，Word2Vec是一种常用的词嵌入方法。它主要包含两种训练模型结构，分别是Skip-gram和？A.CBOW(ContinuousBag-of-Words)B.BERTC.GloVeD.ELMo20.AI伦理与安全日益受到重视。下列哪种攻击方式通过在输入数据中添加人类难以察觉的微小扰动来欺骗模型？A.数据投毒B.对抗样本攻击C.模型反转攻击D.成员推理攻击二、多项选择题（本大题共15小题，每小题2分，共30分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得满分，少选得部分分，错选不得分）1.下列属于深度学习常用优化算法的有？A.随机梯度下降（SGD）B.AdamC.RMSpropD.牛顿法2.卷积神经网络（CNN）的经典架构包括哪些？A.LeNet-5B.AlexNetC.VGGD.ResNet3.在数据预处理阶段，常见的特征归一化方法有哪些？A.Min-Max归一化B.Z-Score标准化C.Log对数变换D.One-Hot编码4.下列关于Transformer模型中“位置编码”的描述，正确的有？A.Transformer本身不具备捕捉序列顺序信息的能力，需要显式加入位置编码B.位置编码可以是固定的正弦/余弦函数C.位置编码也可以是可学习的参数向量D.位置编码通常加到输入嵌入向量上5.强化学习的基本要素包括？A.智能体B.环境C.奖励D.状态和动作6.下列哪些属于无监督学习的具体应用任务？A.降维（如PCA）B.聚类（如K-Means）C.异常检测D.图像分类（带标签）7.大语言模型（LLM）的微调技术主要包括？A.全量微调B.LoRA(Low-RankAdaptation)C.PromptTuningD.P-Tuning8.在评估回归模型时，常用的损失函数或评价指标有哪些？A.均方误差（MSE）B.平均绝对误差（MAE）C.R-squared（决定系数）D.交叉熵损失9.下列关于过拟合的描述及应对策略，正确的有？A.过拟合表现为训练集误差很低，测试集误差很高B.增加模型复杂度可以缓解过拟合C.使用Dropout可以缓解过拟合D.增加训练数据量可以缓解过拟合10.下列哪些模型属于生成式大模型？A.GPT-4B.BERT(Base)C.StableDiffusionD.DALL-E311.在自然语言处理中，分词是关键步骤。常见的分词算法包括？A.基于规则的分词B.基于统计的分词C.BPE(BytePairEncoding)D.WordPiece12.下列关于注意力机制的变体，正确的有？A.多头注意力允许模型在不同的表示子空间中关注信息B.自注意力是指Query、Key、Value都来自同一序列C.交叉注意力是指Query来自一个序列，Key和Value来自另一个序列D.注意力机制只能用于NLP任务，不能用于CV任务13.模型部署优化技术包括？A.知识蒸馏B.剪枝C.量化D.神经架构搜索（NAS）14.下列关于迁移学习的描述，正确的有？A.迁移学习利用源领域的知识来帮助目标领域的学习B.预训练模型是迁移学习的一种常见形式C.微调是迁移学习中的一种策略D.迁移学习总是能提升模型性能，与源领域和目标领域的相似度无关15.下列哪些是Python中常用的科学计算和深度学习库？A.NumPyB.PandasC.Scikit-learnD.PyTorch/TensorFlow三、填空题（本大题共15小题，每小题2分，共30分。请将答案写在横线上）1.在神经网络中，___________函数通常用于输出层进行多分类任务，将输出转换为概率分布。2.梯度下降算法中，___________是一个超参数，控制了每一步权重更新的步长大小。3.在支持向量机（SVM）中，用于将低维非线性不可分数据映射到高维线性可分空间的函数称为___________函数。4.Transformer模型中的Encoder-Decoder结构通常通过___________连接来实现编码器输出对解码器的信息传递。5._________是一种通过人类反馈对强化学习策略进行优化的技术，广泛用于对齐大语言模型的人类价值观。6.在图像语义分割任务中，___________网络是一种经典的Encoder-Decoder结构，能够输出与输入图像大小相同的分类图。7.在深度学习中，___________是指模型在训练数据上表现良好，但在未知测试数据上表现很差的现象。8.为了加速深度学习训练过程，通常会使用___________来并行计算大量矩阵运算。9.在推荐系统中，___________过滤是一种基于用户过往行为历史发现相似商品或用户的推荐方法。10.卷积操作中的___________参数用于控制卷积核在输入特征图上滑动的步长。11.在循环神经网络中，___________连接可以帮助信息在时间步之间更有效地传递，缓解长距离依赖问题。12._________学习是指模型在没有显式标签的情况下，通过数据自身的结构或分布进行学习。13.在目标检测中，___________（IoU）用于衡量预测边界框与真实边界框之间的重叠程度。14.深度信念网络（DBN）和受限玻尔兹曼机（RBM）是属于___________模型的一种。15.GPT系列模型采用的是___________Transformer架构，而BERT采用的是双向Transformer架构。四、判断题（本大题共10小题，每小题1分，共10分。正确的打“√”，错误的打“×”）1.神经网络的层数越深，表达能力越强，因此我们可以无限增加网络深度来提升性能。()2.Sigmoid激活函数的输出范围在(0,1)之间，且容易导致梯度消失问题。()3.K-近邻算法（KNN）是一种懒惰学习算法，它没有显式的训练过程，而是在预测时进行计算。()4.在PCA（主成分分析）中，我们选择的主成分是使得数据投影后方差最小的方向。()5.所有的机器学习模型都需要对输入数据进行归一化或标准化处理。()6.Transformer模型完全摒弃了循环和卷积结构，仅依靠注意力机制处理序列信息。()7.生成式AI只能生成文本内容，无法生成图像或音频。()8.L1正则化倾向于产生稀疏权重矩阵，常用于特征选择。()9.在强化学习中，探索是指利用当前已知的最优策略获取最大奖励。()10.数据增强技术只能用于图像数据，不能用于文本数据。()五、简答题（本大题共5小题，每小题6分，共30分）1.请简述反向传播算法的基本原理及其在神经网络训练中的作用。2.请对比RNN、LSTM和GRU在处理长序列数据时的优缺点。3.什么是过拟合？请列举至少三种防止过拟合的方法。4.请解释卷积神经网络中的“卷积”操作在图像处理中的物理意义。5.简述大语言模型中涌现能力的概念，并举例说明。六、综合应用题（本大题共3小题，共50分）1.（15分）假设你正在构建一个二分类的猫狗识别模型。在测试集上，你得到了如下混淆矩阵的数据：真正例：50假正例：10假反例：5真反例：35请计算：(1)准确率(2)精确率(3)召回率(4)F1分数(5)请分析如果该模型应用在对“流浪猫救助”的筛选场景中（更看重不漏掉流浪猫），你应该更关注哪个指标？如何调整模型阈值？2.（15分）请设计一个基于检索增强生成（RAG）技术的企业内部知识问答系统的技术架构。要求：(1)画出或描述系统的主要流程模块（如文档处理、向量存储、检索、生成等）。(2)解释为什么要使用向量数据库。(3)说明Embedding模型和LLM在系统中各自扮演的角色。3.（20分）某电商平台希望利用用户的历史行为数据（点击、购买、收藏等）构建一个推荐系统。现有数据包含：用户ID、商品ID、商品类别、行为类型、时间戳。(1)你会选择哪种推荐算法框架（如协同过滤、深度学习模型、矩阵分解等）？请说明理由。(2)简述数据预处理的主要步骤。(3)如果采用深度学习方法，请设计一个简单的模型输入特征结构，并说明如何处理类别型特征（如商品ID）。参考答案与详细解析一、单项选择题1.【答案】C【解析】感知机是最简单的神经网络，无法处理序列依赖；卷积层主要用于CNN；LSTM引入了门控机制（遗忘门、输入门、输出门），有效解决了传统RNN在长序列训练中的梯度消失和梯度爆炸问题，能够捕捉长距离依赖。2.【答案】A【解析】在Transformer的缩放点积注意力中，计算公式为Attentio3.【答案】B【解析】GAN由生成器和判别器组成。生成器（G）的目标是生成逼真的样本以欺骗判别器；判别器（D）的目标是准确区分真实样本和生成样本。这是一个二元极小极大博弈过程。4.【答案】C【解析】温度参数控制Softmax分布的平滑度。温度越高（>1），分布越平缓，随机性越高，低概率词被选中的机会增加；温度越低（<1），分布越陡峭，随机性越低，模型倾向于选择高概率词；当温度为0时，退化为贪婪搜索，总是选择概率最大的词。5.【答案】C【解析】池化层（如最大池化、平均池化）的主要作用是下采样，即降低特征图的尺寸（长和宽），从而减少后续层的参数数量和计算量，并在一定程度上引入平移不变性。6.【答案】C【解析】AlphaGoZero结合了强化学习和蒙特卡洛树搜索（MCTS）。它通过自我对弈产生数据，利用强化学习更新策略网络和价值网络，不再依赖人类棋谱数据。7.【答案】A【解析】BERT的全称是BidirectionalEncoderRepresentationsfromTransformers。它利用Transformer的Encoder部分，通过双向上下文信息预训练深度双向表示。8.【答案】C【解析】WeightDecay（权重衰减）即在损失函数后加上正则化项λ∑9.【答案】A【解析】F1分数是精确率和召回率的调和平均数，公式为F110.【答案】A【解析】扩散模型包含两个过程：正向扩散过程（加噪）和反向去噪过程（去噪）。正向过程逐步向数据添加高斯噪声，直到变成随机噪声；反向过程学习从噪声中恢复数据。11.【答案】B【解析】维数灾难指在特征空间维度增加时，数据样本在空间中变得极其稀疏，导致为了覆盖样本空间需要指数级增长的数据量，且距离度量的计算变得困难，模型性能下降。12.【答案】C【解析】ReLU函数f(x)13.【答案】B【解析】YOLO是单阶段目标检测算法，将检测视为回归问题，直接在图像上划分网格预测边界框和类别，速度极快，适合实时应用。R-CNN系列属于两阶段算法。14.【答案】B【解析】Few-shotPrompting（少样本提示）是指在Prompt中提供几个输入-输出的示例，让模型模仿示例的模式进行输出。Zero-shot不提供示例，CoT侧重于展示推理过程。15.【答案】D【解析】K-Means的目标是最小化簇内误差平方和，即让样本点距离其所属的聚类中心尽可能近。16.【答案】C【解析】模型参数量越大，拟合能力越强，但如果数据量不足，容易导致过拟合。参数量需要与数据量和任务复杂度相匹配。并非越多越好，也非越少越好（可能欠拟合）。17.【答案】C【解析】PyTorch基于动态计算图。在早期版本中使用Variable包裹Tensor来构建计算图，现代PyTorch中Tensor本身具备了autograd功能，但概念上Variable是构建动态图的核心历史概念。Tensor是数据载体。18.【答案】D【解析】显存不足时，通常通过模型量化（减少显存占用）、梯度检查点（以计算换显存）、混合精度训练（使用FP16节省显存）来解决。增加BatchSize会显著增加显存占用，加剧显存不足。19.【答案】A【解析】Word2Vec包含两种模型：Skip-gram（预测上下文）和CBOW（通过上下文预测中心词）。20.【答案】B【解析】对抗样本攻击通过在输入数据上添加微小的、精心设计的扰动，导致模型在人类看来无变化的情况下做出错误分类。二、多项选择题1.【答案】ABC【解析】SGD、Adam、RMSprop都是深度学习中常用的基于梯度的优化算法。牛顿法是二阶优化算法，在深度神经网络中因计算海森矩阵代价过高而较少直接使用。2.【答案】ABCD【解析】LeNet-5（早期手写数字）、AlexNet（深层CNN突破）、VGG（探索深度）、ResNet（残差连接解决退化问题）都是经典的CNN架构。3.【答案】AB【解析】Min-Max归一化将数据缩放到[0,1]区间；Z-Score标准化将数据转化为均值为0方差为1的分布。这两者是典型的归一化方法。Log变换是非线性变换，One-Hot是编码方式，不直接称为归一化。4.【答案】ABCD【解析】Transformer是并行计算，位置信息丢失，必须显式添加位置编码。PE可以是固定的三角函数，也可以是可训练的参数。通常加到Embedding上。5.【答案】ABCD【解析】强化学习由智能体、环境、状态、动作、奖励五个核心要素组成。6.【答案】ABC【解析】降维、聚类、异常检测通常在无标签数据上进行，属于无监督学习。图像分类（带标签）属于监督学习。7.【答案】ABCD【解析】全量微调更新所有参数；LoRA通过低秩分解更新少量参数；PromptTuning和P-Tuning仅优化提示词或前缀向量，这些都是LLM的高效微调技术。8.【答案】ABC【解析】MSE、MAE、R-squared是回归任务常用指标。交叉熵损失主要用于分类任务。9.【答案】ACD【解析】过拟合是训练好测试差。增加模型复杂度会加剧过拟合。Dropout、增加数据、正则化、早停等是缓解过拟合的手段。10.【答案】ACD【解析】GPT-4（文本）、StableDiffusion（图像）、DALL-E3（图像）都是生成式模型。BERTBase主要用于理解任务（如分类、实体识别），虽可作为组件，但主要归类为判别式或理解模型（尽管也可用于生成）。11.【答案】ABCD【解析】规则分词、统计分词是传统方法；BPE、WordPiece是Subword分词算法，广泛用于大模型。12.【答案】ABC【解析】多头注意力增强表达能力；自注意力Q=K=V来自同一源；交叉注意力Q来自解码器，K,V来自编码器。注意力机制不仅用于NLP（如Transformer），也用于CV（如ViT）。13.【答案】ABCD【解析】知识蒸馏（大教小）、剪枝（去通道）、量化（低比特）、NAS（搜索结构）都是模型部署优化技术。14.【答案】ABC【解析】迁移学习利用源域知识。预训练+微调是典型范式。源域和目标域差异过大时，迁移效果可能为负（负迁移），故D错误。15.【答案】ABCD【解析】NumPy（矩阵运算）、Pandas（数据处理）、Scikit-learn（传统机器学习）、PyTorch/TensorFlow（深度学习）都是AI核心库。三、填空题1.【答案】Softmax【解析】Softmax将向量映射为概率分布，各分量之和为1，常用于多分类输出层。2.【答案】学习率【解析】学习率控制梯度下降步长，过大震荡，过小收敛慢。3.【答案】核【解析】核函数用于计算高维空间的内积，无需显式映射。4.【答案】交叉注意力【解析】TransformerDecoder通过Cross-Attention层接收Encoder的输出作为Key和Value。5.【答案】RLHF【解析】ReinforcementLearningfromHumanFeedback，基于人类反馈的强化学习。6.【答案】U-Net【解析】U-Net具有对称的Encoder-Decoder结构，中间有SkipConnections，是语义分割和扩散模型U-Net的基石。7.【答案】过拟合【解析】模型学到了训练数据的噪声而非通用规律。8.【答案】GPU【解析】GPU拥有海量核心，适合SIMD（单指令多数据）的矩阵并行计算。9.【答案】协同【解析】CollaborativeFiltering，基于用户行为相似性或物品相似性。10.【答案】步长【解析】Stride，控制卷积核移动的步距。11.【答案】残差【解析】ResNet中的残差连接y=12.【答案】无监督【解析】UnsupervisedLearning，数据无标签。13.【答案】交并比【解析】IntersectionoverUnion，重叠面积除以并集面积。14.【答案】生成式/能量【解析】DBN和RBM属于生成式模型，基于能量函数或概率分布建模。15.【答案】单向（Decoder-only）【解析】GPT仅使用Transformer的Decoder，具有自回归特性，只能看上文；BERT使用Encoder，双向。四、判断题1.【答案】×【解析】深度过深会导致梯度消失、退化问题，且计算代价大，需要配合残差连接等技术。2.【答案】√【解析】Sigmoid导数在两端趋近0，深层连乘导致梯度消失。3.【答案】√【解析】KNN是实例学习，训练阶段仅存储样本，计算主要在预测阶段。4.【答案】×【解析】PCA选择的是方差最大的方向，以保留最多的信息量。5.【答案】×【解析】树模型（如决策树、XGBoost）对数据尺度不敏感，不需要归一化。6.【答案】√【解析】Transformer完全基于注意力机制，摒弃了RNN的循环和CNN的卷积。7.【答案】×【解析】生成式AI涵盖文本、图像（Midjourney）、音频、视频等多模态。8.【答案】√【解析】L1正则化倾向于让许多权重变为0，产生稀疏解。9.【答案】×【解析】描述的是“利用”。探索是指尝试未知动作以获取更多信息，利用是指执行已知最优动作。10.【答案】×【解析】文本数据也可以增强，如同义词替换、回译、随机删除等。五、简答题1.【答案】反向传播算法是训练神经网络的核心算法，其基本原理是利用链式法则计算损失函数相对于每个权重的梯度。过程：(1)前向传播：输入数据经过各层神经元运算，得到输出层的预测值，并计算损失。(2)误差反向传播：将输出层的误差从输出层向输入层反向传播。在传播过程中，利用链式法则逐层计算损失函数对各层权重和偏置的偏导数（即梯度）。(3)参数更新：根据计算得到的梯度，利用梯度下降等优化器更新网络中的权重和偏置，以减小损失。作用：它解决了多层神经网络中参数众多、难以直接求解最优解的问题，提供了一种高效的计算梯度的方法，使得通过迭代优化训练深层神经网络成为可能。2.【答案】RNN（循环神经网络）：优点：结构简单，能够处理任意长度的序列数据。缺点：存在严重的梯度消失或梯度爆炸问题，难以捕捉长距离的依赖关系（即长序列前面的信息对后面的预测影响很小）。LSTM（长短时记忆网络）：优点：引入了门控机制（遗忘门、输入门、输出门）和细胞状态，能够有选择地保留或遗忘信息，有效解决了梯度消失问题，擅长捕捉长距离依赖。缺点：参数量较大，计算复杂度高于RNN。GRU（门控循环单元）：优点：是LSTM的简化变体，将遗忘门和输入门合并为“更新门”，参数更少，计算效率通常高于LSTM，同样能处理长距离依赖。缺点：在某些复杂任务上，控制能力略逊于LSTM。3.【答案】过拟合是指模型在训练数据上表现得非常好（误差很低），但在未见的测试数据或新数据上表现较差（误差较高）的现象。这通常意味着模型学到了训练数据中的噪声和特有特征，而不是数据的通用规律。防止过拟合的方法：(1)数据增强：通过旋转、缩放、加噪等方式人为增加训练数据的数量和多样性。(2)正则化：在损失函数中加入L1或L2正则项，限制模型参数的大小，降低模型复杂度。(3)Dropout：在训练过程中随机“丢弃”一部分神经元，防止神经元之间产生过度依赖，增强模型的鲁棒性。(4)早停法：在训练过程中监控验证集误差，当验证集误差不再下降时提前停止训练。(5)简化模型：减少网络层数或神经元数量，降低模型容量。4.【答案】在图像处理中，卷积操作的物理意义可以理解为特征提取。具体来说，卷积核（Kernel）相当于一个特征检测器或滤波器。当卷积核在图像上滑动时，它计算其覆盖的局部区域与卷积核权重之间的点积（或加权求和）。如果卷积核的权重设置类似于某种边缘模式（如垂直边缘），那么当图像局部区域与该模式相似时，卷积输出会产生高响应值。不同的卷积核可以提取不同的特征，如边缘、线条、角点、纹理等低级特征，随着网络加深，深层卷积核可以组合低级特征提取出形状、物体部件等高级语义特征。此外，卷积操作利用了图像的局部相关性原理，并保留了空间位置信息。5.【答案】涌现能力是指大语言模型在参数规模达到一定临界值后，突然具备的小模型所不具备的、复杂的新能力。这些能力并非通过显式训练直接获得，而是随着模型规模、数据量和计算量的增长而“涌现”出来的。举例说明：思维链推理：小模型通常难以进行多步逻辑推理，而大模型可以通过逐步展示推理过程来解决复杂的数学应用题或逻辑谜题。上下文学习：小模型很难仅通过Prompt中的几个示例就学会新任务，而大模型可以在不更新权重的情况下，仅凭输入中的示例迅速掌握新任务的格式和规律。指令遵循：模型能够理解并执行复杂、多层次的自然语言指令。六、综合应用题1.【答案】根据混淆矩阵数据：TP(真正例)=50FP(假正例)=10FN(假反例)=5TN(真反例)=35总样本数=50+10+5+35=100(1)准确率=(T(2)精确率=TP(3)召回率=TP(4)F1分数=2=2(5)分析与调整：在“流浪猫救助”场景中，目标是尽可能多地发现流浪猫。漏掉一只流浪猫（FN）的后果比把一只狗误判为猫（FP）的后果更严重（因为漏检可能导致猫得不到救助）。因此，应该更关注召回率。调整方法：为了提高召回率，可以降低分类的阈值。例如，将模型输出“是猫”的概率阈值从默认的0.5降低到0.3或0.2。这样，模型倾向于更频繁地预测“正类”，从而减少漏检（FN减少，FP