iPAS 考題解析避免超參數過度調整的最佳實踐為何?
你的作答
在題目頁作答不會存進學習紀錄,想留下紀錄可以到題庫練習。
解析
正確答案:A. 使用交叉驗證(Cross-Validation)
交叉驗證(Cross-validation)把資料分成多份,輪流當訓練集和驗證集,確保超參數(Hyperparameter)調整的結果不是「碰巧」在某一份資料上表現好,而是真的泛化能力強。
每個選項為什麼對或錯
-
A 使用交叉驗證(Cross-Validation) 正解
Correct: 交叉驗證能將資料分成多個子集,輪流作為訓練集和驗證集,這樣可以更全面地評估超參數組合的泛化能力,避免超參數只在特定資料分割上表現良好,從而有效防止過度調整。
-
B 使用 Early Stopping 錯誤選項
Incorrect: Early Stopping 主要用於防止模型在訓練過程中「過度擬合」(Overfitting),它是在訓練迭代次數上進行控制,而不是直接用於超參數的選擇和調整,兩者目的不同。
-
C 進行特徵標準化 錯誤選項
Incorrect: 特徵標準化(Feature Standardization)是資料前處理的步驟,目的是讓不同特徵的尺度一致,有助於模型訓練穩定和收斂,但與超參數的選擇和調整沒有直接關係。
-
D 提高模型複雜度 錯誤選項
Incorrect: 提高模型複雜度(例如增加層數、神經元數量)反而會增加模型過度擬合(Overfitting)的風險,使模型更容易在訓練資料上表現好,但在新資料上表現差,這與避免超參數過度調整的目標背道而馳。
答案、題目或解析有問題?回報這題