中級 機器學習技術與應用
難度：未標示 114 年考題
題目與選項
下列何者最能同時反映 XGBoost（eXtreme Gradient Boosting）相較於傳統梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）的主要技術改進？
- A. 引入正則化項（Regularization）以抑制過擬合，並支援缺失值自動處理與並行化訓練 ✓ 正確答案
- B. 改以隨機森林（Random Forest）架構取代樹模型以提升準確率
- C. 以類神經網路（Neural Network）取代弱分類器（Weak Learners）
- D. 採用批次正規化（Batch Normalization）技術提升模型穩定性
詳細解析
正確答案：A. 引入正則化項（Regularization）以抑制過擬合，並支援缺失值自動處理與並行化訓練
XGBoost 相較於傳統 GBDT 的核心改進是：在損失函數中加入正則化項抑制過擬合，同時支援缺失值自動處理，以及透過近似分割演算法實現並行化訓練，大幅提升了速度和泛化能力。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
某醫療機構開發疾病早期偵測模型，正樣本（確診病例）僅佔 3%。在模型訓練與評估過程中，下列哪一種作法最不適合用於提升對少數類病例的預測能力？
中級 機器學習技術與應用 難度 未標示 114 年
某公司針對製程感測器資料進行主成分分析（PCA），經標準化與協方差矩陣分解後，得到三個主成分的特徵值如下：λ1=6.0，λ2=3.0，λ3=1.0。若團隊決定僅保留能解釋至少 80% 總變異量的主成分，以進行後續模型建構，下列哪一項敘述最合理且數據解讀正確？
中級 機器學習技術與應用 難度 未標示 114 年
在建立迴歸或分類模型時，若希望避免模型過度擬合（Overfitting），可透過加入正則化項以限制模型的複雜度。其中，L1 正則化（Lasso）的主要效果為何？
中級 機器學習技術與應用 難度 未標示 114 年
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
資料來源
114-2-mid-3/q18
開始準備 iPAS 考試
題目來源：114-2-mid-3/q18。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。