iPAS 考題解析
以下用於 PCA 降維去除雜訊的程式碼有一個邏輯錯誤，應如何修正？ ```python from sklearn.decomposition import PCA import numpy as np X = np.random.randn(100, 20) pca = PCA(n_components=5) pca.fit(X) X_denoised = pca.transform(X) # 錯誤行 ```
中級 機器學習技術與應用
難度：進階 ★★★ 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
- 機器學習基礎數學
- 能力指標
- 線性代數之機器學習基礎應用（L23102）
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「機器學習基礎數學」範疇， 對應的能力指標為「線性代數之機器學習基礎應用」，涵蓋特徵提取、資料降維與壓縮等核心知識點。 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
以下用於 PCA 降維去除雜訊的程式碼有一個邏輯錯誤，應如何修正？ ```python from sklearn.decomposition import PCA import numpy as np X = np.random.randn(100, 20) pca = PCA(n_components=5) pca.fit(X) X_denoised = pca.transform(X) # 錯誤行 ```
- A. 將 PCA 的 n_components 改為 10
- B. 將最後一行改為 X_denoised = pca.inverse_transform(pca.transform(X)) ✓ 正確答案
- C. 在 fit 前先對 X 進行標準化
- D. 將 pca.fit(X) 改為 pca.fit_transform(X)
詳細解析
正確答案：B. 將最後一行改為 X_denoised = pca.inverse_transform(pca.transform(X))
PCA 去雜訊的流程：先用 transform 將資料投影到低維主成分空間，再用 inverse_transform 將其重構回原始維度空間。重構後的資料只保留主要成分，去除了對應小特徵值的雜訊成分。僅用 transform 輸出的是 5 維低維表示，不是去雜訊後的原始維度資料。
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. 將 PCA 的 n_components 改為 10 （不正確）
增加 n_components 不解決邏輯錯誤。
B. 將最後一行改為 X_denoised = pca.inverse_transform(pca.transform(X)) （正確）
inverse_transform(transform(X)) 才能正確執行 PCA 去雜訊，此為正確修正。
C. 在 fit 前先對 X 進行標準化 （不正確）
標準化是預處理步驟，不解決去雜訊的邏輯錯誤。
D. 將 pca.fit(X) 改為 pca.fit_transform(X) （不正確）
fit_transform 只是簡化寫法，輸出仍是低維表示，不解決問題。
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。
進階題備考建議
- ▶ 本題屬於進階難度，涉及技術原理的深入理解或跨領域整合應用，需要紮實的基礎。
- ▶ 進階題通常需要你綜合多個知識點才能判斷，建議建立知識圖譜，把相關概念串聯起來。
- ▶ 如果這題答錯了，建議回頭複習相關的基礎概念，確保每一層知識都沒有漏洞。
- ▶ 中級考試的進階題佔比較高，建議先把初級範圍的基礎打穩，再挑戰中級進階題。
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。
某零售公司希望利用顧客的年齡與每月消費金額，預測顧客是否為高價值顧客。提供相關資料 data.csv，包含欄位 Age、Spending、HighValue。請將下列程式碼片段依正確順序排序，以完成模型的建立與預測。 ``` a. from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) b. from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X_train, y_train) c. import pandas as pd data = pd.read_csv("data.csv") X = data[["Age", "Spending"]] y = data["HighValue"] d. y_pred = model.predict(X_test) print("Predictions:", y_pred[:5]) ```
中級 機器學習技術與應用 難度 ★★★ 114 年
在優化器中，哪一個方法會自動調整每個參數的學習率，特別適用於稀疏資料？
中級 機器學習技術與應用 難度 ★★☆ 114 年
在進行模型訓練前，若針對資料中不同群體（例如分類標籤）之間樣本數量不平衡的情況進行比例調整，此方法通常屬於下列哪一種技術？
中級 機器學習技術與應用 難度 ★★☆ 114 年
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。