iPAS 考題解析
一位資料分析師希望減少輸入特徵的維度，以提升模型運算效率，並觀察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數量，下列哪一項方法最適合？
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
- 人工智慧概念
- 能力指標
- AI 的定義與分類（L11101）
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「人工智慧概念」範疇， 對應的能力指標為「AI 的定義與分類」，涵蓋AI 定義、弱 AI vs 強 AI vs 超 AI 分類、三大 AI 浪潮等核心知識點。 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
一位資料分析師希望減少輸入特徵的維度，以提升模型運算效率，並觀察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數量，下列哪一項方法最適合？
- A. 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數； ✓ 正確答案
- B. 利用離散化方法將連續變數轉為分類型欄位；
- C. 使用標準化方法將所有特徵縮放至相同數值區間；
- D. 以ETL技術移除空值欄位並改儲為JSON格式
詳細解析
正確答案：A. 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數；
主成分分析（Principal Component Analysis, PCA）透過擷取主要變異方向（Principal Components）來降維（Dimensionality Reduction），能保留最大資訊量同時減少特徵數量。
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. 套用主成分分析（PCA）以擷取主要變異方向並轉換新變數； （正確）
主成分分析（PCA）是一種常用的降維技術，它透過線性轉換將原始特徵轉換為一組新的、不相關的主成分，這些主成分能保留原始數據中最大的變異資訊。
B. 利用離散化方法將連續變數轉為分類型欄位； （不正確）
離散化是將連續數值轉換為有限的類別區間，雖然可以簡化數據，但它並非直接的降維方法，也不一定能保留最大資訊量。
C. 使用標準化方法將所有特徵縮放至相同數值區間； （不正確）
標準化（或正規化）是將數據縮放到特定的範圍或分佈，目的是消除特徵間量綱的影響，但它不會減少特徵的數量。
D. 以ETL技術移除空值欄位並改儲為JSON格式 （不正確）
ETL（擷取、轉換、載入）是資料整合流程，移除空值欄位是資料清理，改儲格式是資料儲存，這些都不是旨在保留最大資訊量同時降維的方法。
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。