iPAS 考題解析若開發一個用於罕見疾病自動診斷的分類模型，目前資料集中確診樣本僅佔不到1%，且因為標記成本高，短期內無法取得更多資料。在此情況下，若希望提升模型對少數類的偵測能力，同時避免過擬合，下列哪一種策略最為合理？

解析

正確答案：C. 使用SMOTE（Synthetic Minority Over-sampling Technique）生成合成少數類樣本後再訓練分類模型

SMOTE透過插值生成合成少數類樣本而非單純複製，能有效增加少數類多樣性、提升模型泛化能力並降低過擬合風險，是處理嚴重類別不平衡的標準方法。

每個選項為什麼對或錯

• A 對少數類進行隨機過採樣（Random Oversampling） 錯誤選項

  隨機過採樣重複複製樣本，在1%極少數類情況下容易造成嚴重過擬合。

• B 對多數類進行欠採樣（Random Undersampling） 錯誤選項

  欠採樣刪除多數類樣本，但資料量本已有限，再丟棄樣本會損失大量學習資訊。

• C 使用SMOTE（Synthetic Minority Over-sampling Technique）生成合成少數類樣本後再訓練分類模型 正解

  SMOTE生成合成樣本增加少數類多樣性，比單純複製更能避免過擬合，是最合理的策略。

• D 僅使用現有資料調整模型決策閾值（Decision Threshold）以提升召回率 錯誤選項

  僅調整決策閾值不改變模型學習的偏差問題，對極端不平衡的1%類別效果有限。

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。