iPAS 考題解析
在決策樹（Decision Tree）中，「資訊增益（Information Gain）」的計算目的為何？
中級 機器學習技術與應用
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- 機器學習技術與應用
- 知識主題
- 機器學習與深度學習
- 能力指標
- 常見機器學習演算法（L23202）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「機器學習技術與應用」科目中的「機器學習與深度學習」範疇， 對應的能力指標為「常見機器學習演算法」，涵蓋演算法技術原理、應用與優化等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
在決策樹（Decision Tree）中，「資訊增益（Information Gain）」的計算目的為何？
- A. 計算每個特徵的線性相關性強度
- B. 衡量某節點分裂後樣本的預測準確率
- C. 評估每個葉節點的純度（Purity）
- D. 選擇最佳分裂特徵，使分裂後的子集不確定性最小化 ✓ 正確答案
詳細解析
正確答案：D. 選擇最佳分裂特徵，使分裂後的子集不確定性最小化
資訊增益衡量使用某特徵進行分裂後，資料集不確定性（熵）的減少量。決策樹在每個節點選擇資訊增益最大的特徵進行分裂，使子集的純度最高（不確定性最低）。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 計算每個特徵的線性相關性強度 （不正確）
線性相關性是皮爾森相關係數的計算目的。
B. 衡量某節點分裂後樣本的預測準確率 （不正確）
準確率是模型整體評估指標，非單一節點分裂的目的。
C. 評估每個葉節點的純度（Purity） （不正確）
葉節點純度是結果，資訊增益是選擇特徵的依據。
D. 選擇最佳分裂特徵，使分裂後的子集不確定性最小化 （正確）
資訊增益的目的是選擇使不確定性最小的特徵分裂點，此為正確描述。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。