iPAS 考題解析某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？

解析

正確答案：D. 計算輸入特徵分佈間的KL散度（KL Divergence）

KL散度（Kullback-Leibler Divergence）是衡量兩個機率分佈差異的標準統計量，透過計算當前輸入資料與訓練資料分佈之間的KL散度，可量化資料漂移的程度，確認是否發生了顯著的分佈偏移。

每個選項為什麼對或錯

• A 定期重新訓練模型以應對外部變化 錯誤選項

  重新訓練是應對漂移的解決方案，但無法用於偵測漂移是否發生。

• B 提升模型複雜度以捕捉更多資料變異性 錯誤選項

  提升模型複雜度不能偵測或解決資料分佈偏移問題。

• C 增加測試資料量以提高評估準確度 錯誤選項

  增加測試資料量不能直接偵測輸入特徵的分佈變化。

• D 計算輸入特徵分佈間的KL散度（KL Divergence） 正解

  KL散度直接衡量兩個分佈的差異，是偵測資料漂移最常用的統計方法。

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。