iPAS 考題解析
XGBoost（eXtreme Gradient Boosting）相比傳統 Gradient Boosting 的主要改進為何？
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
XGBoost（eXtreme Gradient Boosting）相比傳統 Gradient Boosting 的主要改進為何？
- 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 ✓ 正確答案
- B. 使用隨機抽樣特徵方式，類似隨機森林的 Bagging 方法
- C. 採用深度更深的決策樹以捕捉更複雜的特徵關係
- D. 使用神經網路替代決策樹作為基學習器
詳細解析
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。
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. 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 （正確）
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 （不正確）
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 （不正確）
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 （不正確）
XGBoost 仍使用決策樹，非神經網路。
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。