在進行超參數調校（Hyperparameter Tuning）時，若直接在K-Fold交叉驗證（Cross-Validation）的資料上同時調整模型參數並評估效能，最可能導致下列哪一種問題？
iPAS 考題解析
在進行超參數調校（Hyperparameter Tuning）時，若直接在K-Fold交叉驗證（Cross-Validation）的資料上同時調整模型參數並評估效能，最可能導致下列哪一種問題？
- A. 模型的交叉驗證結果出現過度樂觀偏差（Over-optimistic Bias），因測試摺資料間接參與參數選擇，造成資料洩漏（Data Leakage） ✓ 正確答案
- B. 模型會在每一摺（Fold）內反覆調整參數，導致訓練不穩與過度正則化
- C. 因交叉驗證資料被重複使用，造成效能方差增大，無法獲得穩定估計
- D. K-Fold交叉驗證的假設與超參數搜尋相衝突，導致驗證過程失效
詳細解析
若用同一組K-Fold資料同時進行超參數調整和效能評估，驗證集實際上間接參與了模型選擇過程，造成資料洩漏，使評估結果過度樂觀。正確做法應採用巢狀交叉驗證（Nested Cross-Validation）或留出獨立測試集。
出題年份：114 難度：★★☆