iPAS 考題解析
在訓練機器學習模型時，若任務為預測房價，應選用下列哪一種損失函數（Loss Function）來衡量預測誤差？
初級 人工智慧基礎概論
難度：中等 ★★☆
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 機器學習概念
- 能力指標
- 機器學習基本原理（L11301）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「機器學習概念」範疇， 對應的能力指標為「機器學習基本原理」，涵蓋模型訓練與泛化機制等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
在訓練機器學習模型時，若任務為預測房價，應選用下列哪一種損失函數（Loss Function）來衡量預測誤差？
- A. 均方誤差（MSE）； ✓ 正確答案
- B. 交叉熵損失（Cross-Entropy Loss）；
- C. Hinge損失（Hinge Loss）；
- D. KL散度（Kullback-Leibler Divergence）
詳細解析
正確答案：A. 均方誤差（MSE）；
房價預測是迴歸任務（Regression），均方誤差（Mean Squared Error, MSE）是最常用的迴歸損失函數（Loss Function），衡量預測值與實際值的平方差。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 均方誤差（MSE）； （正確）
房價預測是典型的迴歸任務，目標是預測連續數值。均方誤差（MSE）透過計算預測值與實際值之間差的平方平均，能有效衡量迴歸模型的預測誤差，是迴歸問題最常用的損失函數之一。
B. 交叉熵損失（Cross-Entropy Loss）； （不正確）
交叉熵損失主要用於分類任務，特別是二元分類或多元分類問題，它衡量的是模型預測的機率分佈與真實標籤分佈之間的差異。預測房價是迴歸任務，不涉及機率分佈的分類，所以不適用。
C. Hinge損失（Hinge Loss）； （不正確）
Hinge損失主要用於最大邊界分類器，例如支援向量機（SVM），特別是在處理二元分類問題時。它的目標是最大化分類邊界，與預測連續數值的房價迴歸任務性質完全不同，因此不適合。
D. KL散度（Kullback-Leibler Divergence） （不正確）
KL散度（Kullback-Leibler Divergence）是用來衡量兩個機率分佈之間差異的指標，常應用於生成模型或強化學習中比較策略分佈。房價預測是迴歸任務，直接預測數值，而非比較機率分佈，所以不適合。
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。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
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。
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。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 iPAS AI 應用規劃師初級考試。 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。