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？

解析

正確答案：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

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。

每個選項為什麼對或錯

• A 能，更多特徵讓模型有更豐富的資訊做決策 錯誤選項

  增加特徵會加劇過擬合問題，不是解決方案。

• B 能，只要特徵與目標相關就能提升泛化能力 錯誤選項

  即使特徵相關，過多特徵仍會加劇過擬合。

• C 不能，這是欠擬合問題，應降低正則化強度 錯誤選項

  欠擬合表現為訓練集和測試集都差，與題目描述不符。

• 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 正解

  這是過擬合問題，增加特徵加劇問題，應增加資料/正則化/簡化，此為正確描述。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。