iPAS 考題解析XGBoost（eXtreme Gradient Boosting）相比傳統 Gradient Boosting 的主要改進為何？
你的作答
在題目頁作答不會存進學習紀錄，想留下紀錄可以到題庫練習。
解析
正確答案：A. 加入正則化項控制模型複雜度，並支援並行計算，顯著提升訓練效率
XGBoost 在目標函數中加入 L1/L2 正則化項（控制樹的葉節點數和權重），防止過擬合；並透過特徵預排序和列塊結構支援並行計算，大幅提升訓練速度。這是 XGBoost 在 Kaggle 競賽中取得廣泛應用的主要原因。
每個選項為什麼對或錯
-
A 加入正則化項控制模型複雜度，並支援並行計算，顯著提升訓練效率 正解
正則化和並行計算是 XGBoost 的核心改進，此為正確描述。
-
B 使用隨機抽樣特徵方式，類似隨機森林的 Bagging 方法 錯誤選項
隨機抽樣特徵是隨機森林的特性，XGBoost 也有但不是主要改進點。
-
C 採用深度更深的決策樹以捕捉更複雜的特徵關係 錯誤選項
更深的樹不是 XGBoost 的改進方向，反而注重正則化控制複雜度。
-
D 使用神經網路替代決策樹作為基學習器 錯誤選項
XGBoost 仍使用決策樹，非神經網路。
答案、題目或解析有問題？回報這題