一個已訓練的機器學習模型在驗證集表現良好，但在測試集上性能明顯下降。持續增加更多特徵能解決此問題嗎？為什麼？
iPAS 考題解析
一個已訓練的機器學習模型在驗證集表現良好，但在測試集上性能明顯下降。持續增加更多特徵能解決此問題嗎？為什麼？
- A. 能，更多特徵讓模型有更豐富的資訊做決策
- B. 能，只要特徵與目標相關就能提升泛化能力
- C. 不能，這是欠擬合問題，應降低正則化強度
- D. 不能，這是過擬合問題，增加特徵反而加劇問題；應增加資料量、加強正則化或簡化模型 ✓ 正確答案
詳細解析
驗證集好但測試集差，這是過擬合（Overfitting）的典型表現，模型過度擬合訓練/驗證資料的雜訊。增加更多特徵反而會加劇過擬合。正確做法是增加訓練資料量、加強正則化（L1/L2/Dropout）、簡化模型架構，或使用交叉驗證重新評估。
出題年份：114 難度：★★☆