iPAS 考題解析進行影像分類任務時，研究團隊嘗試利用主成份分析（Principal Component Analysis, PCA）將輸入特徵從1024維降至100維，並將降維後的資料輸入支持向量機（Support Vector Machine, SVM）模型進行訓練。關於此作法，下列哪一項描述最為合理？

解析

正確答案：D. 降維後可降低訓練時間並減少過擬合（Overfitting）風險

降低特徵維度後，SVM的訓練計算量減少（特別是核函數計算），訓練速度加快；同時低維空間減少了模型能學習的噪聲特徵，有助於降低過擬合風險，提升泛化能力。

每個選項為什麼對或錯

• A PCA保留的主成分必然能提升SVM的分類準確率 錯誤選項

  PCA保留的主成分代表最大方差方向，但不保證一定有助於分類任務，準確率可能提升也可能下降。

• B 使用原始高維資料通常更能保留資訊，因此PCA沒有實際意義 錯誤選項

  原始高維資料包含更多噪聲和冗餘特徵，PCA降維有助於去除噪聲，此描述不正確。

• C PCA可讓SVM自動適用於非線性（Nonlinear）資料集 錯誤選項

  PCA是線性降維方法，不能使SVM自動適用於非線性資料，非線性需靠核函數實現。

• D 降維後可降低訓練時間並減少過擬合（Overfitting）風險 正解

  降維確實能降低訓練時間並減少過擬合風險，是最合理的描述。

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。