iPAS 考題解析在調整模型超參數（Hyperparameters）時，若希望避免因過度調整參數而導致過擬合，下列哪一種做法最有效提升模型的泛化能力？

解析

正確答案：A. 採用交叉驗證（Cross-Validation）於多組參數組合間反覆評估，選擇在驗證資料上表現最穩定的設定

交叉驗證將資料分成多摺，讓每個超參數組合在多個不同的驗證集上被評估，能夠選出對未見資料最具泛化能力的設定，有效防止因偶然選到特定驗證集而造成的過擬合。

每個選項為什麼對或錯

• A 採用交叉驗證（Cross-Validation）於多組參數組合間反覆評估，選擇在驗證資料上表現最穩定的設定 正解

  交叉驗證在多組資料上評估超參數，選擇最穩定設定，是最有效避免過擬合的方法。

• B 使用早期停止機制（Early Stopping）監控訓練誤差並在收斂前停止訓練，以防模型學習過度 錯誤選項

  早期停止是防止訓練過擬合的方法，但針對的是訓練過程，非超參數選擇本身。

• C 對輸入特徵進行標準化以減少特徵值差異帶來的過擬合風險 錯誤選項

  特徵標準化有助於訓練穩定，但並非直接針對超參數調整的過擬合問題。

• D 提高模型複雜度並使用更多超參數搜尋範圍，以確保模型能充分學習資料特徵 錯誤選項

  提高模型複雜度通常會增加過擬合風險，與目標相反。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。