Precision不变时，Recall越大，1/Recall越小，从而F1越大。

A. 宽度搜索$;$深度搜索$;$有序搜索$;$广义搜索

A. 避免单学习器可能因误选而导致泛化性能不佳$;$降低陷入局部极小点的风险$;$假设空间扩大，有可能学得更好的近似$;$多学习器结合有可能冲突

A. 词形还原（Lemmtiztion）$;$Levenshtein$;$词干提取（Stemming）$;$探测法（Sounex）

A. 不定长
$;$收集
$;$可变
$;$不可变

A. 深蓝$;$IBM$;$深思$;$蓝天

A. 电力知识图谱$;$电力智能问答$;$电力智能巡检$;$电力智能客服

A. Precision= tp / (tp + fp), Recall = tp / (tp + fn)
$;$Precision = tp / (tn + fp), Recall = tp /(tp + fn)
$;$Precision = tp / (tn + fn), Recall = tp /(tp + fp)
$;$Precision = tp / (tp + fp), Recall = tp /(tn + fn)

A. 如果一个分类器对不正确的分类很自信，log-loss会严重的批评它。$;$对一个特别的观察而言，分类器为正确的类别分配非常小的概率，然后对log-loss的相应分布会非常大。$;$log-loss越低，模型越好$;$以上都是