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
一家零售電商公司希望建立顧客流失預測模型，用以判斷哪些會員可能在三個月內不再消費。團隊以去年會員資料進行訓練，並僅採用「曾經購買三次以上」的活躍顧客紀錄作為樣本。模型上線後，對全體會員進行預測時，發現模型對於新註冊會員與低消費會員的預測準確率明顯偏低。下列何者為造成此現象最可能的原因？
- A. 特徵設計未排除與會員忠誠度高度相關的變數，導致特徵偏差（Feature Bias）
- B. 標記（Label）由人工標註，導致標籤偏差（Label Bias）
- C. 訓練樣本僅涵蓋高活躍顧客，造成取樣偏差（Sampling Bias） ✓ 正確答案
- D. 模型未進行超參數調整，導致過擬合（Overfitting）
詳細解析
正確答案：C. 訓練樣本僅涵蓋高活躍顧客，造成取樣偏差（Sampling Bias）
模型對新會員和低消費會員預測不準，最可能的原因是：訓練樣本僅涵蓋高活躍顧客，造成取樣偏差（Sampling Bias），模型從未見過「剛加入的新會員」或「偶爾消費的低活躍會員」長什麼樣，自然無法對他們做出準確預測。
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。
在工業設備故障預測專案中，模型訓練與超參數調整均依賴於一段歷史數據作為驗證集。然而，隨著設備運行環境與工況條件的變化，原有驗證集已無法充分反映現況，導致模型在實際部署後的預測準確率逐漸下降。下列哪一種策略最能有效提升模型在長期運行環境中的穩定性與泛化能力？
中級 機器學習技術與應用 難度 未標示 114 年
VGG16 連題組第四題：在實務應用中，我們常使用遷移學習（transfer learning）技巧，即載入預訓練模型（如 VGG16），凍結部分層的參數，只針對特定任務重新訓練最後幾層，這種做法可節省訓練時間並提升模型效能。假設你要對 VGG16 進行遷移學習（transfer learning），希望凍結卷積層的參數，只訓練最後全連接層（classifier）。下列哪段程式碼寫法正確？
中級 機器學習技術與應用 難度 未標示 114 年
某智慧製造公司開發一套設備故障預測系統，利用感測器資料訓練深度神經網路（Deep Neural Network, DNN）模型，以提前偵測異常運作跡象。在訓練過程中，團隊發現模型收斂速度不穩定：有時太快導致過擬合，有時又遲遲無法達到最佳準確率。開發團隊可以藉由調整下列哪一項超參數（Hyperparameter）以改善此問題？
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/q28
開始準備 iPAS 考試
題目來源：114-2-mid-3/q28。 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。