iPAS 考題解析
避免超參數過度調整的最佳實踐為何？
中級 人工智慧技術應用與規劃
難度：進階 ★★★
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- AI 技術應用與規劃
- 知識主題
- AI 相關技術應用
- 能力指標
- 自然語言處理技術與應用（L21101）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「AI 技術應用與規劃」科目中的「AI 相關技術應用」範疇， 對應的能力指標為「自然語言處理技術與應用」，涵蓋NLP、文本分類、情感分析、NER、機器翻譯等核心知識點。 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
避免超參數過度調整的最佳實踐為何？
- A. 使用交叉驗證(Cross-Validation) ✓ 正確答案
- B. 使用 Early Stopping
- C. 進行特徵標準化
- D. 提高模型複雜度
詳細解析
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。
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. 使用交叉驗證(Cross-Validation) （正確）
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 （不正確）
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 （不正確）
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 （不正確）
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。
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。
進階題備考建議
- ▶ 本題屬於進階難度，涉及技術原理的深入理解或跨領域整合應用，需要紮實的基礎。
- ▶ 進階題通常需要你綜合多個知識點才能判斷，建議建立知識圖譜，把相關概念串聯起來。
- ▶ 如果這題答錯了，建議回頭複習相關的基礎概念，確保每一層知識都沒有漏洞。
- ▶ 中級考試的進階題佔比較高，建議先把初級範圍的基礎打穩，再挑戰中級進階題。
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。
某企業即將部署 AI 模型至現有營運系統，進入系統整合測試階段。測試工程師需確認所有模組在實際環境中能正確協同運作。下列哪項驗證最應優先執行？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
在訓練模型時，若數據中出現特徵尺度差異極大（例如：年齡為 0–100、收入為 0–1,000,000），容易導致模型偏向特定特徵。為提升模型效能與穩定性，以下哪一種預處理方式最能有效解決此問題？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
某線上音樂平台希望根據用戶的聽歌與查詢行為，將用戶劃分為不同的類型。若事前沒有定義用戶類型，下列哪一種模型最適合用於此任務？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
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。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 iPAS AI 應用規劃師中級考試。 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。