iPAS 考題解析
在監督式學習的特徵選取中，Lasso 迴歸（L1 正則化）能自動進行特徵選取的原因為何？
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
在監督式學習的特徵選取中，Lasso 迴歸（L1 正則化）能自動進行特徵選取的原因為何？
- A. Lasso 計算每個特徵的皮爾森相關係數並刪除低相關特徵
- B. Lasso 透過決策樹確認特徵重要性後刪除低重要性特徵
- C. Lasso 使用遞歸特徵消除（RFE）方法逐步移除特徵
- D. Lasso 的 L1 懲罰項在最優化過程中傾向將部分係數精確壓縮至零 ✓ 正確答案
詳細解析
正確答案：D. Lasso 的 L1 懲罰項在最優化過程中傾向將部分係數精確壓縮至零
L1 正則化（Lasso）的懲罰項為係數絕對值之和，其等值曲線（Constraint Region）在坐標軸上有尖角，最優解傾向恰好落在坐標軸上（即部分係數為零），自動執行特徵選取。這與 L2（Ridge）的球形約束不同，L2 使係數趨近但不等於零。
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. Lasso 計算每個特徵的皮爾森相關係數並刪除低相關特徵 （不正確）
皮爾森相關係數是過濾法特徵選取，非 Lasso 的機制。
B. Lasso 透過決策樹確認特徵重要性後刪除低重要性特徵 （不正確）
決策樹特徵重要性是另一種方法，非 Lasso。
C. Lasso 使用遞歸特徵消除（RFE）方法逐步移除特徵 （不正確）
遞歸特徵消除（RFE）是包裝法，非 Lasso 本身的機制。
D. Lasso 的 L1 懲罰項在最優化過程中傾向將部分係數精確壓縮至零 （正確）
L1 懲罰的幾何特性使係數精確為零，此為正確原因。
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。