如何评估数据集质量,如何构建测试集
哪些公司问过
答案要点
- 分布检查:类别平衡、缺失值、异常值;检查重复数据
- 标注质量:多人一致性(Kappa)、噪声率,用模型反查错标
- 检查训练集与测试集的分布差异和数据泄露
- 构建测试集:有代表性,分层抽样;时间相关的数据按时间切分
- 覆盖边界和困难样例,规模足够,测试集固定不用于调参,做误差分析
易错点
- 随机切分时间序列数据,造成未来信息泄露
- 测试集规模太小,指标波动大
- 用测试集反复调参
面试官常见追问
- 为什么测试集不能反复用来调参?
- Kappa 系数是什么?
- 怎么发现数据泄露?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。