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？
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？
- A. 對少數類進行隨機過採樣（Random Oversampling）
- B. 對多數類進行欠採樣（Random Undersampling）
- 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 ✓ 正確答案
- D. 僅使用現有資料調整模型決策閾值（Decision Threshold）以提升召回率
詳細解析
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。
出題年份：114 難度：★★☆