Java实训代码、答案，如果能够帮到您，希望可以点个赞！！！ 

如果有问题可以csdn私聊或评论！！！感谢您的支持

第1关：为什么要有训练集与测试集

1、下面正确的是？（ D ）

A、将手头上所有的数据拿来训练模型，预测结果正确率最高的模型就是我们所要选的模型。

B、将所有数据中的前百分之70拿来训练模型，剩下的百分之30作为测试集，预测结果正确率最高的模型就是我们所要选的模型。

C、将所有数据先随机打乱顺序，一半用来训练模型，一半作为测试集，预测结果正确率最高的模型就是我们所要选的模型。

D、将所有数据先随机打乱顺序，百分之80用来训练模型，剩下的百分之20作为测试集，预测结果正确率最高的模型就是我们所要选的模型。

2、训练集与测试集的划分对最终模型的确定有无影响？（ A ）

A、有

B、无

第2关：欠拟合与过拟合

1、请问，图中A与B分别处于什么状态？（ B ）

A、欠拟合，欠拟合

B、欠拟合，过拟合

C、过拟合，欠拟合

D、过拟合，过拟合

2、如果一个模型在训练集上正确率为99%，测试集上正确率为60%。我们应该怎么做？( ABD )

A、加入正则化项

B、增加训练样本数量

C、增加模型复杂度

D、减少模型复杂度

第3关：偏差与方差

如果一个模型，它在训练集上正确率为85%，测试集上正确率为80%，则模型是过拟合还是欠拟合？其中，来自于偏差的误差为？来自方差的误差为？（ B ）

A、欠拟合，5%，5%

B、欠拟合，15%，5%

C、过拟合，15%，15%

D、过拟合，5%，5%

第4关：验证集与交叉验证

1、假设，我们现在利用5折交叉验证的方法来确定模型的超参数，一共有4组超参数，我们可以知道，5折交叉验证，每一组超参数将会得到5个子模型的性能评分，假设评分如下，我们应该选择哪组超参数？（ D ）

A、子模型1:0.8 子模型2:0.7 子模型3:0.8 子模型4:0.6 子模型5:0.5

B、子模型1:0.9 子模型2:0.7 子模型3:0.8 子模型4:0.6 子模型5:0.5

C、子模型1:0.5 子模型2:0.6 子模型3:0.7 子模型4:0.6 子模型5:0.5

D、子模型1:0.8 子模型2:0.8 子模型3:0.8 子模型4:0.8 子模型5:0.6

2、下列说法正确的是？( BCD )

A、相比自助法，在初始数据量较小时交叉验证更常用。

B、自助法对集成学习方法有很大的好处

C、使用交叉验证能够增加模型泛化能力

D、在数据难以划分训练集测试集时，可以使用自助法

第5关：衡量回归的性能指标

下列说法正确的是？( AB )

A、相比MSE指标，MAE对噪声数据不敏感

B、RMSE指标值越小越好

C、R-Squared指标值越小越好

D、当我们的模型不犯任何错时，R-Squared值为0

第6关：准确度的陷阱与混淆矩阵

import numpy as npdef confusion_matrix(y_true, y_predict):'''构建二分类的混淆矩阵，并将其返回:param y_true: 真实类别，类型为ndarray:param y_predict: 预测类别，类型为ndarray:return: shape为(2, 2)的ndarray'''#********* Begin *********#def TN(y_true, y_predict):return np.sum((y_true == 0) & (y_predict == 0))def FP(y_true, y_predict):return np.sum((y_true == 0) & (y_predict == 1))def FN(y_true, y_predict):return np.sum((y_true == 1) & (y_predict == 0))def TP(y_true, y_predict):return np.sum((y_true == 1) & (y_predict == 1))return np.array([[TN(y_true, y_predict), FP(y_true, y_predict)],[FN(y_true, y_predict), TP(y_true, y_predict)]])#********* End *********#

第7关：精准率与召回率 

import numpy as npdef precision_score(y_true, y_predict):'''计算精准率并返回:param y_true: 真实类别，类型为ndarray:param y_predict: 预测类别，类型为ndarray:return: 精准率，类型为float'''#********* Begin *********#def TP(y_true, y_predict):return np.sum((y_true ==1)&(y_predict == 1))def FP(y_true,y_predict):return np.sum((y_true ==0)&(y_predict==1))tp =TP(y_true, y_predict)fp =FP(y_true, y_predict)try:return tp /(tp+fp)except:return 0.0#********* End *********#def recall_score(y_true, y_predict):'''计算召回率并召回:param y_true: 真实类别，类型为ndarray:param y_predict: 预测类别，类型为ndarray:return: 召回率，类型为float'''#********* Begin *********#def FN(y_true, y_predict):return np.sum((y_true ==1)&(y_predict == 0))def TP(y_true,y_predict):return np.sum((y_true ==1)&(y_predict==1))fn =FN(y_true, y_predict)tp =TP(y_true, y_predict)try:return tp /(tp+fn)except:return 0.0#********* End *********#

第8关：F1 Score 

import numpy as npdef f1_score(precision, recall):'''计算f1 score并返回:param precision: 模型的精准率，类型为float:param recall: 模型的召回率，类型为float:return: 模型的f1 score，类型为float'''#********* Begin *********#try:return 2*precision*recall / (precision+recall)except:return 0.0#********* End ***********#

第9关：ROC曲线与AUC 

import numpy as npdef calAUC(prob, labels):'''计算AUC并返回:param prob: 模型预测样本为Positive的概率列表，类型为ndarray:param labels: 样本的真实类别列表，其中1表示Positive，0表示Negtive，类型为ndarray:return: AUC，类型为float'''#********* Begin *********#a= list(zip(prob,labels))rank =[values2 for values1,values2 in sorted(a, key=lambda x:x[0])]rankList=[i+1 for i in range(len(rank))if rank[i] ==1]posNum =0negNum =0for i in range(len(labels)):if(labels[i]==1):posNum+=1else:negNum+=1auc= (sum(rankList)-(posNum*(posNum+1))/2)/(posNum*negNum)return auc       #********* End *********#

第10关：sklearn中的分类性能指标 

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_scoredef classification_performance(y_true, y_pred, y_prob):'''返回准确度、精准率、召回率、f1 Score和AUC:param y_true:样本的真实类别，类型为`ndarray`:param y_pred:模型预测出的类别，类型为`ndarray`:param y_prob:模型预测样本为`Positive`的概率，类型为`ndarray`:return:'''#********* Begin *********#return accuracy_score(y_true, y_pred),precision_score(y_true, y_pred),recall_score(y_true, y_pred),f1_score(y_true, y_pred),roc_auc_score(y_true, y_prob)#********* End *********#