第二章第二节算法测试_在线真题试卷与模拟练习_第二章第二节算法测试_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

# 选择自变量和因变量 # 在原始数据中删除因变量，保留自变量 X = data.______(['SeriousDlqin2yrs', 'Unnamed: 0'], axis=1) # 赋值因变量 Y = data['________']

# 分割训练集和测试集 X_train, X_test, Y_train, y_test = _________(X, Y, test_size=0.2, random_state=42)

# 训练Logistic回归模型 Model = ____________(max_iter=1000) 导入回归模型 Model.fit(___________, y_train)

# 模型原封不动保存 With open('2.2.1_model.pkl', 'wb') as file: pickle.________(model, file)

# 预测 Y_pred = model._______(X_test) 导入predict() 函数会进行预测

# 分析测试结果 Accuracy = (y_test == ______).mean() 通过比较预测结果 y_pred 和真实标签 y_test，计算出准确率 Print(f"模型准确率: {___________:.2f}")

# 重新预测 Y_pred_resampled = model._______(X_test)

# 生成新的测试报告 Report_resampled = classification_report(y_test, y_pred_resampled, zero_division=1) With Open('2.2.1_report_xg.txt', 'w') as file: file.write(_________)

错误分析 0（没有严重逾期）准确率高0.95，召回率高0.99，综合性能较好0.97，模型性____ 1（有严重逾期）准确率低0.57，召回率低0.13，综合性能较低0.22，模型性_____

改进建议优化模型，提高对类别1的______能力，同时保持对类别0的_______性

# 删除任何包含缺失值的行 Df = df.________()

# 创建包含标准化和线性回归的管道两步放在一起处理 Pipeline = Pipeline([ ('scaler', ______________()), ('linreg', ______________()) ])

# 训练一个随机森林回归模型作为替代模型 Rf_model = __________________(n_estimators=100, Random_state=42)

针对线性回归模型

1)模型性能

训练集得分 0.862

测试集得分 0.79

训练集和测试集得分差距大，就代表了“过拟合”

2)错误分析

________，特征不够全面，模型相对______

3)改进建议

选择合适的自变量和因变量，寻找更多合适的特征

尝试其他类型的回归模型，比如：_______、__________、梯度提升机等____________模型，看是否能获得更好的结果

# 将分类变量转为数值变量 X = pd._____________(X) 哑变量，每个分类产生一列。

# 每行运行函数 Y = df['Your Age']._______(lambda x: int(x.split(' ')[0])) # 假设年龄段为整数

# 创建并训练随机森林回归模型 Rf_model = _______ (n_estimators=100, Random_state=42)

test_score = Rf_model.______(X_test, y_test)函数返回的是 R² 得分，即决定系数 Mse = ______(y_test, y_pred) 计算的是均方误差（MSE） R2 = ______(y_test, y_pred) 计算的也是 R² 得分

# 这里以XGBoost为例进行错误案例分析 Xgb_model = _____.XGBRegressor(n_estimators=100, Random_state=42) 导入XGBoost 是一种梯度提升树模型

# 删除不必要的列并处理分类变量 Data_cleaned = data.______(columns=['序号', '所用时间']) # 删除不必要的列

1 2