iPAS 考題解析
某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？
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
- 常見的機器學習模型（L11302）
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「常見的機器學習模型」，涵蓋監督式、非監督式、半監督式、強化式、多模態、深度學習等核心知識點。 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
某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？
- A. 根據特徵的整體分布、變異度或資訊量進行篩選，而不直接參考目標變數；
- B. 評估每個特徵與目標變數之間的相關性，選擇對預測結果貢獻最大的特徵； ✓ 正確答案
- C. 使用模型評估特徵對預測結果的重要性，並保留對目標變數影響較大的欄位；
- D. 將特徵透過降維方法（如PCA）轉換為新特徵，再用於模型訓練
詳細解析
正確答案：B. 評估每個特徵與目標變數之間的相關性，選擇對預測結果貢獻最大的特徵；
監督式特徵選擇（Supervised Feature Selection）的核心是評估每個特徵與目標變數（Target Variable）的相關性，選擇對預測貢獻最大的特徵。
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. 根據特徵的整體分布、變異度或資訊量進行篩選，而不直接參考目標變數； （不正確）
不參考目標變數的篩選是非監督式特徵選擇（Unsupervised Feature Selection）
C. 使用模型評估特徵對預測結果的重要性，並保留對目標變數影響較大的欄位； （不正確）
使用模型評估特徵重要性是嵌入式方法（Embedded Method），不是監督式特徵選擇（Feature Selection）的定義
D. 將特徵透過降維方法（如PCA）轉換為新特徵，再用於模型訓練 （不正確）
PCA 降維（Dimensionality Reduction）是特徵擷取（Feature Extraction），不是特徵選擇（Feature Selection）
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。