iPAS 考題解析
XGBoost 相比傳統 GBDT 的主要改進為何？
中級 機器學習技術與應用
難度：進階 ★★★
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 相比傳統 GBDT 的主要改進為何？
- A. 引入正則化項、支援缺失值處理、並行化計算 ✓ 正確答案
- B. 改用 Random Forest 架構
- C. 改用 Neural Network
- D. 加入 Batch Normalization
詳細解析
正確答案：A. 引入正則化項、支援缺失值處理、並行化計算
XGBoost 在損失函數（Loss Function）中加入 L1+L2 正則化（Regularization）防過擬合（Overfitting），自動處理缺失值（不需要補值），列級別並行化加速——三大改進。
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. 引入正則化項、支援缺失值處理、並行化計算 （正確）
XGBoost 在損失函數中加入 L1/L2 正則化防止過擬合，內建支援缺失值處理，並透過列級別並行化顯著提升訓練速度，是主要改進。
B. 改用 Random Forest 架構 （不正確）
XGBoost 仍然是梯度提升（Gradient Boosting）框架，基於決策樹，而不是改用隨機森林（Random Forest）的 Bagging 架構。
C. 改用 Neural Network （不正確）
XGBoost 是一種基於決策樹的集成學習模型，不是神經網路（Neural Network），兩者原理不同。
D. 加入 Batch Normalization （不正確）
Batch Normalization 是深度學習中用於加速訓練和穩定模型的技術，與 XGBoost 這種基於樹的模型無關。
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。
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 iPAS 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。