人工智能训练师三级：准确率先看哪一组数据？

发布：2026-10-31 · TIVIA

人工智能训练师三级理论学习里，遇到“必须把训练集和测试集一起用来计算准确率”这样的说法，先别只背对错。今天用一个自拟例子，练习写出判断依据，并解释错误选项。

先判断：为了报告测试准确率，必须把训练集上的预测结果也合并进去。这个说法不成立。准确率可以分别在不同数据集上计算；报告测试准确率时，计算范围应是测试集。

看两组自拟结果：训练集10条，预测正确9条，训练准确率90%；独立测试集10条，预测正确6条，测试准确率60%。把两组共20条混起来，15条正确得到75%，算术没错，但它是混合后的统计，不是测试准确率。这里仅练习指标口径，没有训练真实模型，也不是考试真题。

一分钟选择题：要报告这份测试集的准确率，哪种做法合适？
A. 只用测试集的真实标签和对应预测计算，得到60%。
B. 将训练与测试结果合并，用75%替代测试准确率。
C. 只报告训练集90%，当作测试表现。

答案是A。B的问题是改变了统计范围，把模型学习过的数据混入测试指标；C的问题是用训练拟合表现替代未参与训练数据上的表现。今天请合上答案，自己写出一句A的依据，再解释一个错误选项，不能只记字母。

公式不复杂：单标签分类准确率=预测正确条数÷当前评估样本总数。真正要检查的是分子、分母属于哪一组数据。训练、验证和测试的用途不同，调参一般看验证数据，最终测试应保持独立；不能反复拿测试结果挑模型，再当成完全未参与选择的最终评估。

这个小样本只用于讲清口径，不能据90%与60%的差距就确定模型的泛化能力或过拟合程度。实际评估还要结合样本量、划分、类别分布和任务代价；类别不均衡时，也不应只凭准确率决定模型好坏。

今天只完成一个学习动作：在练习记录上写“用哪组数据、正确几条、总共几条、为什么不用另一组替代”。再做同类题时先解释范围，再看答案。

本文由TIVIA产品方发布，AI辅助整理。TIVIA包含理论题学习和上机代码填空等学习内容；免费练习是固定样本，完整版范围以产品说明为准。本文围绕题库的模型评估学习范围重新编写，不是官方真题，不承诺考试命中或通过。

技术参考：scikit-learn官方准确率与交叉验证文档。

继续练习

免费理论练习 · 数据泄漏示例。可以先在本页完成自拟判断题，再进入固定样本练习；免费样本不保证含本文同题。