0318 pdd¶

一面很烂，居然还有二面？感觉没戏。

1. 自我介绍
   • 讲了在投的文章和组内的方向，提到了可解释机器学习
2. 可解释是怎么个可解释？
   • 讲了CBM
3. 手撕：下一个排列
   • 没做出来，瞎写了个递推，还得多练

4. 分类任务的损失函数？指标？F1 Score是什么？

   • 分类任务：CE
   • 指标：混淆矩阵
   • F Score忘记咋算了： $$ F_\beta = (1+\beta^2) \times \frac{\text{Precision} \times \text{Recall}}{\beta^2\cdot\text{Precision} + \text{Recall}} $$
   • 其中
     • 准确率（Accuracy）定义为$(TP+TN)/ALL$，就是模型的正确率。
     • 精准率（Precision）也叫查准率定义为$TP/(TP+FP)$，意思就是在预测为正样本的结果中，我们有多少把握可以预测正确。
     • 召回率（Recall）也叫查全率定义为$TP/(TP+FN)$，意思就是所有相关的样本，有多少我们可以预测出来。
     • P-R曲线：描述精确率/召回率变化的曲线
   • 如果是多分类问题，还可以做Macro平均或者Micro平均。
   • 此外在医学场景下，常用：
     • 灵敏度（Sensitivity）也叫真阳性率，定义为$TP/(TP+FN)$，其实就是召回率（生病的人，检测出疾病的概率）。
     • 特异度（Specificity）也叫真阴性率，定义为$TN/(TN+FP)$（没生病的人，检测出没病的概率）。
     • FPR、TPR
     • ROC曲线：Receiver Operating Characteristic，横坐标为假正率（FPR），纵坐标为真正率（TPR），曲线围成的面积是AUC（Area Under Curve）。

5. 分割任务的指标？常用模型的架构？

   • 指标：Dice、IOU、ASSD（Average symmetric surface distance）、HD（Hausdorff Distance）
   • CNN（UNet）、Transformer（ViT、Swin）

6. 了解搜推吗？如何用模型进行推荐，点击率？如何衡量模型推荐的效果？

   • （其实不是很了解，正在学）
   • 答得不是很好