数据质量

📝 Tips 笔记解读▾

● 关键词"数据质量：缺失、异常、准确" —— 数据质量的三大核心维度是缺失值（完整性）、异常值（有效性）、准确性（正确性）。可命题方向：用缺失值占比作质量KPI、用数据质量测试降低训练数据错误、用AI识别异常值、外部数据使用前验证准确性与可靠性。

以下为考点明显在考但Tips未覆盖的内容，单列作补充：

⚠ 笔记缺漏补充▾

🎯 考点分析▾

考察主线：本批题考查数据质量的核心维度（缺失、异常、准确）及其度量与保障手段——如何用缺失值占比衡量质量、如何用数据质量测试/异常值识别降低训练数据错误风险、以及外部数据的准确性验证。
正确答案的共同知识方向：
- 缺失值百分比是衡量训练数据质量的关键KPI。
- 训练数据存在错误时，应实施数据质量测试来降低风险。
- AI用于评估数据质量的最大好处是识别指示数据错误的异常值。
- 使用外部/公开数据做分析前，最重要的是验证数据准确性与可靠性。
常见干扰方向：
- 把模型指标（特征数量、epoch、混淆矩阵真正例）混入当作数据质量指标。
- 把成本效益、算法效率、基准测试当作使用外部数据时的最重要考虑。
- 把法规审查效率、处理成本当作AI评估数据质量的好处。
场景分布：银行财务信息处理、公开数据风险分析、审计中使用AI评估质量。

📋 考察范围清单▾

📄 Tips.pdf 补充对照▾