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？
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？
- A. PCA保留的主成分必然能提升SVM的分類準確率
- 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
- C. PCA可讓SVM自動適用於非線性（Nonlinear）資料集
- D. 降維後可降低訓練時間並減少過擬合（Overfitting）風險 ✓ 正確答案
詳細解析
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。
出題年份：114 難度：★★☆