iPAS 考題解析類別不平衡時,最直接的資料層面解決方法為何?
你的作答
在題目頁作答不會存進學習紀錄,想留下紀錄可以到題庫練習。
解析
正確答案:A. 資料重抽樣(過採樣少數類或欠採樣多數類)
資料重抽樣直接改變訓練資料中各類別的比例:過採樣增加少數類的樣本,欠採樣減少多數類的樣本,讓模型能平衡學習各類別。
每個選項為什麼對或錯
-
A 資料重抽樣(過採樣少數類或欠採樣多數類) 正解
這是處理類別不平衡最直接且常用的資料層面方法。透過過採樣(增加少數類樣本)或欠採樣(減少多數類樣本),可以直接改變訓練資料中各類別的比例,讓模型在訓練時能更公平地學習所有類別。
-
B 特徵選擇 錯誤選項
特徵選擇是從原始特徵中選出最相關或最重要的子集,目的是降低維度、提高模型效率和準確度,但它並不能直接解決資料集中的類別不平衡問題。
-
C 模型正則化 錯誤選項
模型正則化(Regularization)主要是用來防止模型過度擬合(Overfitting),透過懲罰複雜模型來提高泛化能力。它並不是針對類別不平衡問題的直接解決方案。
-
D 超參數調整 錯誤選項
超參數調整是優化模型性能的重要步驟,但它通常是針對模型本身的學習過程進行優化,並不能直接改變原始資料的類別分佈或解決類別不平衡問題。
答案、題目或解析有問題?回報這題