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？
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？
- 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 ✓ 正確答案
- 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
- 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
- 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
詳細解析
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。
出題年份：114 難度：★★☆