iPAS 考題解析
在機器學習中，「偏差與變異權衡（Bias-Variance Tradeoff）」主要用來解決下列哪一類型的問題？
初級 人工智慧基礎概論
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 機器學習概念
- 能力指標
- 機器學習基本原理（L11301）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「機器學習概念」範疇， 對應的能力指標為「機器學習基本原理」，涵蓋模型訓練與泛化機制等核心知識點。 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
在機器學習中，「偏差與變異權衡（Bias-Variance Tradeoff）」主要用來解決下列哪一類型的問題？
- A. 因資料來源或收集方式限制，導致模型學習到的資訊不足；
- B. 測試資料樣本與訓練資料高度重複，造成模型泛化能力評估失準；
- C. 訓練資料中類別分布不均，使模型在少數類別上表現不佳；
- D. 如何在模型偏差與變異之間取得平衡，以避免過度擬合或欠擬合 ✓ 正確答案
詳細解析
正確答案：D. 如何在模型偏差與變異之間取得平衡，以避免過度擬合或欠擬合
Bias-Variance Tradeoff 的核心是在模型的偏差（underfitting）與變異（overfitting）之間找到平衡點。高偏差代表欠擬合，高變異代表過擬合，需要調整模型複雜度來取得最佳泛化能力。
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. 因資料來源或收集方式限制，導致模型學習到的資訊不足； （不正確）
資料不足是資料收集的問題，與 Bias-Variance Tradeoff 的概念不同。
B. 測試資料樣本與訓練資料高度重複，造成模型泛化能力評估失準； （不正確）
訓練與測試資料重複是資料分割的問題，屬於資料洩漏（Data Leakage）。
C. 訓練資料中類別分布不均，使模型在少數類別上表現不佳； （不正確）
類別不均衡是資料分布的問題，通常用過採樣或欠採樣等方法處理。
D. 如何在模型偏差與變異之間取得平衡，以避免過度擬合或欠擬合 （正確）
Bias-Variance Tradeoff 正是探討如何在偏差與變異間取得平衡，避免過擬合或欠擬合。
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。
下列哪一類問題最適合使用非監督式學習（Unsupervised Learning）來處理？
初級 人工智慧基礎概論 難度 ★★☆ 114 年
某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？
初級 人工智慧基礎概論 難度 ★★☆ 114 年
某製造業公司建置機器學習模型，用於預測產品是否為瑕疵品。實際生產資料中，瑕疵品比例極低，大多數樣本皆為正常品。模型測試時發現，即使模型多數預測為正常品，仍可獲得很高的整體準確率。在此情境下，若希望更有效衡量模型對瑕疵品的辨識能力，下列何者較適合作為主要評估指標？
初級 人工智慧基礎概論 難度 ★★☆ 115 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。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師初級考試。 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。