2025年征信考試題庫(kù)-信用評(píng)分模型計(jì)算方法與步驟解析考試時(shí)間：______分鐘總分：______分姓名：______一、單項(xiàng)選擇題（本部分共20題，每題1分，共20分。每題只有一個(gè)正確答案，請(qǐng)將正確答案的字母填涂在答題卡上。）1.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的數(shù)據(jù)預(yù)處理方法？A.缺失值填充B.數(shù)據(jù)標(biāo)準(zhǔn)化C.特征編碼D.數(shù)據(jù)降維2.信用評(píng)分模型中的邏輯回歸模型，其輸出結(jié)果表示的是？A.債務(wù)償還的可能性B.信用評(píng)分的等級(jí)C.概率值D.債務(wù)金額3.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的特征選擇方法？A.單變量分析B.遞歸特征消除C.Lasso回歸D.決策樹(shù)4.信用評(píng)分模型中的特征工程，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度5.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型評(píng)估指標(biāo)？A.準(zhǔn)確率B.召回率C.F1分?jǐn)?shù)D.決策樹(shù)深度6.信用評(píng)分模型中的過(guò)擬合現(xiàn)象，通常表現(xiàn)為？A.模型訓(xùn)練誤差低，測(cè)試誤差高B.模型訓(xùn)練誤差高，測(cè)試誤差低C.模型訓(xùn)練誤差和測(cè)試誤差都很高D.模型訓(xùn)練誤差和測(cè)試誤差都很低7.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的正則化方法？A.Lasso回歸B.Ridge回歸C.DropoutD.增加數(shù)據(jù)量8.信用評(píng)分模型中的特征交叉，其主要目的是什么？A.減少特征數(shù)量B.提高模型的泛化能力C.增加數(shù)據(jù)量D.降低模型復(fù)雜度9.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型優(yōu)化方法？A.網(wǎng)格搜索B.隨機(jī)搜索C.貝葉斯優(yōu)化D.特征編碼10.信用評(píng)分模型中的特征縮放，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度11.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型集成方法？A.隨機(jī)森林B.梯度提升樹(shù)C.AdaBoostD.特征編碼12.信用評(píng)分模型中的特征重要性排序，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度13.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型驗(yàn)證方法？A.K折交叉驗(yàn)證B.留一法交叉驗(yàn)證C.單次測(cè)試D.留出法交叉驗(yàn)證14.信用評(píng)分模型中的特征交互，其主要目的是什么？A.減少特征數(shù)量B.提高模型的泛化能力C.增加數(shù)據(jù)量D.降低模型復(fù)雜度15.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型調(diào)參方法？A.網(wǎng)格搜索B.隨機(jī)搜索C.貝葉斯優(yōu)化D.特征縮放16.信用評(píng)分模型中的特征選擇，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度17.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型評(píng)估方法？A.AUCB.ROC曲線(xiàn)C.P-R曲線(xiàn)D.決策樹(shù)深度18.信用評(píng)分模型中的特征縮放，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度19.在信用評(píng)分模型中，下列哪一項(xiàng)不是常用的模型優(yōu)化方法？A.網(wǎng)格搜索B.隨機(jī)搜索C.貝葉斯優(yōu)化D.特征縮放20.信用評(píng)分模型中的特征重要性排序，其主要目的是什么？A.減少數(shù)據(jù)量B.提高模型的預(yù)測(cè)能力C.增加數(shù)據(jù)維度D.降低計(jì)算復(fù)雜度二、多項(xiàng)選擇題（本部分共10題，每題2分，共20分。每題有多個(gè)正確答案，請(qǐng)將正確答案的字母填涂在答題卡上。）1.信用評(píng)分模型中，常用的數(shù)據(jù)預(yù)處理方法有哪些？A.缺失值填充B.數(shù)據(jù)標(biāo)準(zhǔn)化C.特征編碼D.數(shù)據(jù)降維2.信用評(píng)分模型中，常用的特征選擇方法有哪些？A.單變量分析B.遞歸特征消除C.Lasso回歸D.決策樹(shù)3.信用評(píng)分模型中，常用的模型評(píng)估指標(biāo)有哪些？A.準(zhǔn)確率B.召回率C.F1分?jǐn)?shù)D.決策樹(shù)深度4.信用評(píng)分模型中，常用的模型優(yōu)化方法有哪些？A.網(wǎng)格搜索B.隨機(jī)搜索C.貝葉斯優(yōu)化D.特征編碼5.信用評(píng)分模型中，常用的模型集成方法有哪些？A.隨機(jī)森林B.梯度提升樹(shù)C.AdaBoostD.特征編碼6.信用評(píng)分模型中，常用的模型驗(yàn)證方法有哪些？A.K折交叉驗(yàn)證B.留一法交叉驗(yàn)證C.單次測(cè)試D.留出法交叉驗(yàn)證7.信用評(píng)分模型中，常用的特征工程方法有哪些？A.特征交叉B.特征縮放C.特征編碼D.特征選擇8.信用評(píng)分模型中，常用的特征重要性排序方法有哪些？A.單變量分析B.遞歸特征消除C.Lasso回歸D.決策樹(shù)9.信用評(píng)分模型中，常用的模型調(diào)參方法有哪些？A.網(wǎng)格搜索B.隨機(jī)搜索C.貝葉斯優(yōu)化D.特征縮放10.信用評(píng)分模型中，常用的特征交互方法有哪些？A.特征交叉B.特征縮放C.特征編碼D.特征選擇三、判斷題（本部分共10題，每題1分，共10分。請(qǐng)將正確答案的“正確”或“錯(cuò)誤”填涂在答題卡上。）1.信用評(píng)分模型中的特征工程，其主要目的是為了減少數(shù)據(jù)量，提高模型的計(jì)算效率。正確錯(cuò)誤2.信用評(píng)分模型中的過(guò)擬合現(xiàn)象，通常表現(xiàn)為模型在訓(xùn)練集上的表現(xiàn)很好，但在測(cè)試集上的表現(xiàn)很差。正確錯(cuò)誤3.在信用評(píng)分模型中，特征重要性排序可以幫助我們找到對(duì)模型預(yù)測(cè)能力影響最大的特征。正確錯(cuò)誤4.信用評(píng)分模型中的特征交叉，其主要目的是為了增加特征的數(shù)量，提高模型的預(yù)測(cè)能力。正確錯(cuò)誤5.在信用評(píng)分模型中，特征縮放的主要目的是為了將不同特征的取值范圍統(tǒng)一，避免某些特征對(duì)模型的影響過(guò)大。正確錯(cuò)誤6.信用評(píng)分模型中的模型優(yōu)化方法，其主要目的是為了提高模型的預(yù)測(cè)精度，使其在測(cè)試集上表現(xiàn)更好。正確錯(cuò)誤7.在信用評(píng)分模型中，特征選擇可以幫助我們找到對(duì)模型預(yù)測(cè)能力影響最大的特征，從而提高模型的泛化能力。正確錯(cuò)誤8.信用評(píng)分模型中的模型集成方法，其主要目的是為了降低模型的復(fù)雜度，提高模型的泛化能力。正確錯(cuò)誤9.在信用評(píng)分模型中，特征編碼的主要目的是為了將類(lèi)別特征轉(zhuǎn)換為數(shù)值特征，方便模型進(jìn)行處理。正確錯(cuò)誤10.信用評(píng)分模型中的模型驗(yàn)證方法，其主要目的是為了評(píng)估模型在未知數(shù)據(jù)上的表現(xiàn)，防止過(guò)擬合現(xiàn)象的發(fā)生。正確錯(cuò)誤四、簡(jiǎn)答題（本部分共5題，每題4分，共20分。請(qǐng)將答案寫(xiě)在答題紙上。）1.簡(jiǎn)述信用評(píng)分模型中數(shù)據(jù)預(yù)處理的常用方法及其作用。2.簡(jiǎn)述信用評(píng)分模型中特征選擇的常用方法及其作用。3.簡(jiǎn)述信用評(píng)分模型中模型評(píng)估的常用指標(biāo)及其含義。4.簡(jiǎn)述信用評(píng)分模型中模型優(yōu)化的常用方法及其作用。5.簡(jiǎn)述信用評(píng)分模型中特征交叉的常用方法及其作用。五、論述題（本部分共1題，每題10分，共10分。請(qǐng)將答案寫(xiě)在答題紙上。）1.結(jié)合實(shí)際案例，論述信用評(píng)分模型中特征工程的重要性及其具體應(yīng)用方法。本次試卷答案如下一、單項(xiàng)選擇題答案及解析1.D解析：數(shù)據(jù)降維不是數(shù)據(jù)預(yù)處理方法，數(shù)據(jù)預(yù)處理主要包括缺失值填充、數(shù)據(jù)標(biāo)準(zhǔn)化和特征編碼等方法，目的是提高數(shù)據(jù)質(zhì)量和模型效果。數(shù)據(jù)降維屬于特征工程范疇，是在預(yù)處理之后進(jìn)行的。2.C解析：邏輯回歸模型輸出的是概率值，表示事件發(fā)生的可能性大小。在信用評(píng)分中，這個(gè)概率值通常被轉(zhuǎn)換為分?jǐn)?shù)，用于評(píng)估信用風(fēng)險(xiǎn)。債務(wù)償還的可能性和信用評(píng)分的等級(jí)是信用評(píng)分模型的應(yīng)用結(jié)果，不是模型本身的輸出。3.D解析：特征選擇方法包括單變量分析、遞歸特征消除和Lasso回歸等，目的是選擇對(duì)模型預(yù)測(cè)能力最有用的特征。決策樹(shù)是用于分類(lèi)和回歸的模型，不是特征選擇方法。4.B解析：特征工程的主要目的是提高模型的預(yù)測(cè)能力，通過(guò)特征構(gòu)造、特征選擇等方法，使模型能夠更好地捕捉數(shù)據(jù)中的規(guī)律。減少數(shù)據(jù)量、增加數(shù)據(jù)維度和降低計(jì)算復(fù)雜度都是特征工程的副作用，不是主要目的。5.D解析：模型評(píng)估指標(biāo)包括準(zhǔn)確率、召回率、F1分?jǐn)?shù)等，用于評(píng)估模型的預(yù)測(cè)性能。決策樹(shù)深度是模型的結(jié)構(gòu)參數(shù)，不是評(píng)估指標(biāo)。6.A解析：過(guò)擬合現(xiàn)象表現(xiàn)為模型在訓(xùn)練集上表現(xiàn)很好，但在測(cè)試集上表現(xiàn)很差。這是由于模型過(guò)于復(fù)雜，學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，導(dǎo)致泛化能力下降。7.C解析：正則化方法包括Lasso回歸、Ridge回歸和Dropout等，目的是防止模型過(guò)擬合。增加數(shù)據(jù)量是提高模型性能的方法，但不是正則化方法。8.B解析：特征交叉的主要目的是提高模型的泛化能力，通過(guò)構(gòu)造新的特征組合，使模型能夠更好地捕捉數(shù)據(jù)中的復(fù)雜關(guān)系。減少特征數(shù)量、增加數(shù)據(jù)維度和降低模型復(fù)雜度都不是特征交叉的主要目的。9.D解析：模型優(yōu)化方法包括網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化等，目的是找到模型的最優(yōu)參數(shù)設(shè)置。特征縮放是數(shù)據(jù)預(yù)處理方法，不是模型優(yōu)化方法。10.D解析：特征縮放的主要目的是降低計(jì)算復(fù)雜度，通過(guò)將不同特征的取值范圍統(tǒng)一，避免某些特征對(duì)模型的影響過(guò)大。減少數(shù)據(jù)量、提高模型的預(yù)測(cè)能力和增加數(shù)據(jù)維度都不是特征縮放的主要目的。11.D解析：模型集成方法包括隨機(jī)森林、梯度提升樹(shù)和AdaBoost等，目的是通過(guò)組合多個(gè)模型的預(yù)測(cè)結(jié)果，提高模型的泛化能力。特征編碼是數(shù)據(jù)預(yù)處理方法，不是模型集成方法。12.B解析：特征重要性排序的主要目的是提高模型的預(yù)測(cè)能力，通過(guò)排序找到對(duì)模型預(yù)測(cè)能力最有用的特征，從而進(jìn)行特征選擇或特征工程。減少數(shù)據(jù)量、增加數(shù)據(jù)維度和降低計(jì)算復(fù)雜度都不是特征重要性排序的主要目的。13.C解析：模型驗(yàn)證方法包括K折交叉驗(yàn)證、留一法交叉驗(yàn)證和留出法交叉驗(yàn)證等，目的是評(píng)估模型在未知數(shù)據(jù)上的表現(xiàn)。單次測(cè)試不是模型驗(yàn)證方法，因?yàn)樗慕Y(jié)果受隨機(jī)性影響很大。14.B解析：特征交互的主要目的是提高模型的泛化能力，通過(guò)構(gòu)造新的特征組合，使模型能夠更好地捕捉數(shù)據(jù)中的復(fù)雜關(guān)系。減少特征數(shù)量、增加數(shù)據(jù)維度和降低模型復(fù)雜度都不是特征交互的主要目的。15.D解析：模型調(diào)參方法包括網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化等，目的是找到模型的最優(yōu)參數(shù)設(shè)置。特征縮放是數(shù)據(jù)預(yù)處理方法，不是模型調(diào)參方法。16.B解析：特征選擇的主要目的是提高模型的預(yù)測(cè)能力，通過(guò)選擇對(duì)模型預(yù)測(cè)能力最有用的特征，從而提高模型的泛化能力。減少數(shù)據(jù)量、增加數(shù)據(jù)維度和降低計(jì)算復(fù)雜度都不是特征選擇的主要目的。17.D解析：模型評(píng)估方法包括AUC、ROC曲線(xiàn)和P-R曲線(xiàn)等，用于評(píng)估模型的預(yù)測(cè)性能。決策樹(shù)深度是模型的結(jié)構(gòu)參數(shù)，不是評(píng)估方法。18.D解析：特征縮放的主要目的是降低計(jì)算復(fù)雜度，通過(guò)將不同特征的取值范圍統(tǒng)一，避免某些特征對(duì)模型的影響過(guò)大。減少數(shù)據(jù)量、提高模型的預(yù)測(cè)能力和增加數(shù)據(jù)維度都不是特征縮放的主要目的。19.D解析：模型優(yōu)化方法包括網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化等，目的是找到模型的最優(yōu)參數(shù)設(shè)置。特征縮放是數(shù)據(jù)預(yù)處理方法，不是模型優(yōu)化方法。20.B解析：特征重要性排序的主要目的是提高模型的預(yù)測(cè)能力，通過(guò)排序找到對(duì)模型預(yù)測(cè)能力最有用的特征，從而進(jìn)行特征選擇或特征工程。減少數(shù)據(jù)量、增加數(shù)據(jù)維度和降低計(jì)算復(fù)雜度都不是特征重要性排序的主要目的。二、多項(xiàng)選擇題答案及解析1.ABC解析：數(shù)據(jù)預(yù)處理方法包括缺失值填充、數(shù)據(jù)標(biāo)準(zhǔn)化和特征編碼等，目的是提高數(shù)據(jù)質(zhì)量和模型效果。數(shù)據(jù)降維屬于特征工程范疇，是在預(yù)處理之后進(jìn)行的。2.ABC解析：特征選擇方法包括單變量分析、遞歸特征消除和Lasso回歸等，目的是選擇對(duì)模型預(yù)測(cè)能力最有用的特征。決策樹(shù)是用于分類(lèi)和回歸的模型，不是特征選擇方法。3.ABC解析：模型評(píng)估指標(biāo)包括準(zhǔn)確率、召回率、F1分?jǐn)?shù)等，用于評(píng)估模型的預(yù)測(cè)性能。決策樹(shù)深度是模型的結(jié)構(gòu)參數(shù)，不是評(píng)估指標(biāo)。4.ABC解析：模型優(yōu)化方法包括網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化等，目的是找到模型的最優(yōu)參數(shù)設(shè)置。特征編碼是數(shù)據(jù)預(yù)處理方法，不是模型優(yōu)化方法。5.ABC解析：模型集成方法包括隨機(jī)森林、梯度提升樹(shù)和AdaBoost等，目的是通過(guò)組合多個(gè)模型的預(yù)測(cè)結(jié)果，提高模型的泛化能力。特征編碼是數(shù)據(jù)預(yù)處理方法，不是模型集成方法。6.ABD解析：模型驗(yàn)證方法包括K折交叉驗(yàn)證、留一法交叉驗(yàn)證和留出法交叉驗(yàn)證等，目的是評(píng)估模型在未知數(shù)據(jù)上的表現(xiàn)。單次測(cè)試不是模型驗(yàn)證方法，因?yàn)樗慕Y(jié)果受隨機(jī)性影響很大。7.ABCD解析：特征工程方法包括特征交叉、特征縮放、特征編碼和特征選擇等，目的是提高模型的預(yù)測(cè)能力。這些方法都是特征工程的重要組成部分。8.ABCD解析：特征重要性排序方法包括單變量分析、遞歸特征消除、Lasso回歸和決策樹(shù)等，目的是找到對(duì)模型預(yù)測(cè)能力最有用的特征。這些方法都是特征重要性排序的常用方法。9.ABC解析：模型調(diào)參方法包括網(wǎng)格搜索、隨機(jī)搜索和貝葉斯優(yōu)化等，目的是找到模型的最優(yōu)參數(shù)設(shè)置。特征縮放是數(shù)據(jù)預(yù)處理方法，不是模型調(diào)參方法。10.ABC解析：特征交互方法包括特征交叉、特征縮放和特征編碼等，目的是通過(guò)構(gòu)造新的特征組合，使模型能夠更好地捕捉數(shù)據(jù)中的復(fù)雜關(guān)系。特征選擇是特征工程的一部分，不是特征交互方法。三、判斷題答案及解析1.錯(cuò)誤解析：特征工程的主要目的是提高模型的預(yù)測(cè)能力，通過(guò)特征構(gòu)造、特征選擇等方法，使模型能夠更好地捕捉數(shù)據(jù)中的規(guī)律。減少數(shù)據(jù)量不是特征工程的主要目的。2.正確解析：過(guò)擬合現(xiàn)象表現(xiàn)為模型在訓(xùn)練集上表現(xiàn)很好，但在測(cè)試集上表現(xiàn)很差。這是由于模型過(guò)于復(fù)雜，學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，導(dǎo)致泛化能力下降。3.正確解析：特征重要性排序可以幫助我們找到對(duì)模型預(yù)測(cè)能力影響最大的特征，從而進(jìn)行特征選擇或特征工程，提高模型的泛化能力。4.錯(cuò)誤解析：特征交叉的主要目的是提高模型的泛化能力，通過(guò)構(gòu)造新的特征組合，使模型能夠更好地捕捉數(shù)據(jù)中的復(fù)雜關(guān)系。增加特征數(shù)量不是特征交叉的主要目的。5.正確解析：特征縮放的主要目的是將不同特征的取值范圍統(tǒng)一，避免某些特征對(duì)模型的影響過(guò)大，從而提高模型的預(yù)測(cè)性能。6.正確解析：模型優(yōu)化方法的主要目的是提高模型的預(yù)測(cè)精度，使其在測(cè)試集上表現(xiàn)更好。通過(guò)調(diào)整模型參數(shù)，可以使模型更好地?cái)M合數(shù)據(jù)。7.正確解析：特征選擇可以幫助我們找到對(duì)模型預(yù)測(cè)能力影響最大的特征，從而提高模型的泛化能力。通過(guò)選擇最有用的特征，可以減少模型的復(fù)雜度，提高模型的預(yù)測(cè)性能。8.錯(cuò)誤解析：模型集成方法的主要目的是通過(guò)組合多個(gè)模型的預(yù)測(cè)結(jié)果，提高模型的泛化能力。增加模型數(shù)量可以提高模型的泛化能力，但不是主要目的。9.正確解析：特征編碼的主要目的是將類(lèi)別特征轉(zhuǎn)換為數(shù)值特征，方便模型進(jìn)行處理。通過(guò)特征編碼，可以使模型更好地處理類(lèi)別特征。10.正確解析：模型驗(yàn)證方法的主要目的是評(píng)估模型在未知數(shù)據(jù)上的表現(xiàn)，防止過(guò)擬合現(xiàn)象的發(fā)生。通過(guò)模型驗(yàn)證，可以了解模型在未知數(shù)據(jù)上的性能，從而進(jìn)行模型選擇和調(diào)參。四、簡(jiǎn)答題答案及解析1.簡(jiǎn)述信用評(píng)分模型中數(shù)據(jù)預(yù)處理的常用方法及其作用。答案：數(shù)據(jù)預(yù)處理的常用方法包括缺失值填充、數(shù)據(jù)標(biāo)準(zhǔn)化和特征編碼等。缺失值填充的作用是處理數(shù)據(jù)中的缺失值，避免因缺失值導(dǎo)致的模型錯(cuò)誤。數(shù)據(jù)標(biāo)準(zhǔn)化的作用是將不同特征的取值范圍統(tǒng)一，避免某些特征對(duì)模型的影響過(guò)大。特征編碼的作用是將類(lèi)別特征轉(zhuǎn)換為數(shù)值特征，方便模型進(jìn)行處理。解析：數(shù)據(jù)預(yù)處理是信用評(píng)分模型的重要步驟，可以提高數(shù)據(jù)質(zhì)量和模型效果。缺失值填充可以避免因缺失值導(dǎo)致的模型錯(cuò)誤，數(shù)據(jù)標(biāo)準(zhǔn)化可以避免某些特征對(duì)模型的影響過(guò)大，特征編碼可以將類(lèi)別特征轉(zhuǎn)換為數(shù)值特征，方便模型進(jìn)行處理。2.簡(jiǎn)述信用評(píng)分模型中特征選擇的常用方法及其作用。答案：特征選擇的常用方法包括單變量分析、遞歸特征消除和Lasso回歸等。單變量分析的作用是評(píng)估每個(gè)特征與目標(biāo)變量之間的相關(guān)性，選擇相關(guān)性較高的特征。遞歸特征消除的作用是遞歸地移除特征，選擇對(duì)模型預(yù)測(cè)能力最有用的特征。Lasso回歸的作用是通過(guò)正則化項(xiàng)，選擇對(duì)模型預(yù)測(cè)能力最有用的特征。解析：特征選擇是信用評(píng)分模型的重要步驟，可以提高模型的預(yù)測(cè)能力和泛化能力。單變量分析可以評(píng)估每個(gè)特征與目標(biāo)變量之間的相關(guān)性，選擇相關(guān)性較高的特征。遞歸特征消除可以遞歸地移除特征，選擇對(duì)模型預(yù)測(cè)能力最有用的特征。Lasso回歸可以通過(guò)正則化項(xiàng)，選擇對(duì)模型預(yù)測(cè)能力最有用的特征。3.簡(jiǎn)述信用評(píng)分模型中模型評(píng)估的常用指標(biāo)及其含義。答案：模型評(píng)估的常用指標(biāo)包括準(zhǔn)確率、召回率、F1分?jǐn)?shù)等。準(zhǔn)確率的作用是評(píng)估模型預(yù)測(cè)正確的比例，召回率的作用是評(píng)估模型找到正例的能力，F(xiàn)1分?jǐn)?shù)是準(zhǔn)確率和召回率的調(diào)和平均值，用于綜合評(píng)估模型的性能。解析：模型評(píng)估是信用評(píng)分模型的重要步驟，可以評(píng)估模型的預(yù)測(cè)性能。準(zhǔn)確率可以評(píng)估模型預(yù)測(cè)正確的比例，召回率可以評(píng)估模型找到正例的能力，F(xiàn)1分?jǐn)?shù)是準(zhǔn)確率和召回率的調(diào)和平均值，用于綜合評(píng)估模型的性能。4.簡(jiǎn)述信用評(píng)分模