---
title: "維度詛咒（Curse of Dimensionality）"
slug: curse-of-dimensionality
language: zh-TW
source: https://aiterms.tw/terms/curse-of-dimensionality
updated_at: 2026-07-30
tags: [機器學習, 特徵工程, 模型評估, 統計方法]
ipas_term: false
---

# 維度詛咒（Curse of Dimensionality）

隨著資料維度增加，樣本空間呈指數級膨脹，導致資料密度急劇下降、距離量度失效，使機器學習模型的訓練難度與資料需求大幅提高。

## 完整說明

維度詛咒（Curse of Dimensionality）描述高維空間中資料稀疏性帶來的系統性挑戰：當特徵數量增加時，資料點之間的距離趨於均一，最近鄰查詢的區分能力下降，同時維持相同資料密度所需的樣本量呈指數成長。此問題最早由 Richard Bellman 在動態規劃研究中提出，後廣泛應用於描述機器學習中特徵空間過大的困境。在高維空間中，幾乎所有樣本都成為「稀疏點」，模型泛化能力下降，過擬合風險提高。常見應對策略包括：降維方法（PCA、t-SNE）、特徵選擇、正則化技術，以及適合高維資料的核方法。與過擬合的關係密切，但維度詛咒側重空間幾何特性，而過擬合更廣泛描述模型複雜度與訓練資料的失衡。

## 常見問題

### 維度詛咒對 k-NN 演算法有何具體影響？

k 近鄰（k-NN）演算法依賴「距離相近代表相似」的假設，在低維空間中運作良好。但在高維空間中，距離集中現象使得所有樣本之間的距離趨向均等，最近鄰與最遠鄰的差距比例縮小至接近零。這意味著「最近鄰」失去實質意義：模型找到的近鄰未必真的與查詢點相似。實務上，當特徵數超過 20-30 維時，k-NN 效能通常明顯下降，此時應考慮先做降維（PCA 或 UMAP）再進行 k-NN 查詢，或改用其他對高維資料更友善的演算法，例如隨機森林或梯度提升樹。

### 如何判斷自己的資料集是否受到維度詛咒影響？

有幾個實務指標可供診斷：（1）特徵數量遠大於樣本數量（常稱為「大 p 小 n」問題），例如特徵有 1000 個但樣本只有 500 個；（2）模型訓練集表現優異但測試集效能顯著下滑，且差距隨特徵數增加而加大；（3）相關性熱力圖顯示大量特徵之間相關性接近零，說明許多維度為噪音；（4）使用 k-NN 時，不同 k 值下模型效能波動劇烈。若出現以上情形，應優先進行特徵選擇或降維，並評估增加樣本量的可行性，再考慮改用對高維資料更穩健的模型架構。

### 維度詛咒在 iPAS AI 應用規劃師考試中通常考哪些面向？

在 iPAS AI 應用規劃師中級考試中，維度詛咒的考點集中在：（1）概念定義：能識別「樣本空間隨維度指數增長」「距離失效」等核心描述；（2）因應策略：PCA 降維、特徵選擇、正則化各自的適用場景與限制；（3）與過擬合的關係：兩者的區別與聯繫，維度詛咒是導致過擬合的結構性原因之一；（4）實際應用情境判斷：給定一個高維稀疏資料的場景，選擇最合適的前處理策略。熟悉「為什麼加特徵不一定比較好」是解題的核心邏輯。

---

來源：https://aiterms.tw/terms/curse-of-dimensionality
快查頁：https://aiterms.tw/terms/curse-of-dimensionality
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-curse-of-dimensionality