iPAS 考題解析某大型零售企業準備將商品推薦模型上線，專案團隊在檢視訓練資料時，發現部分商品類別（例如高價商品）樣本數量極少，而多數樣本集中於低價商品。若此不平衡問題未妥善處理，下列何種狀況最可能在實際推薦結果中發生？

解析

正確答案：D. 模型學到的決策邊界主要由多數類別主導，忽視了稀有類別，造成該類別的召回率（Recall）大幅降低

在資料不平衡的情況下，模型會傾向學習多數類別的模式，因為這樣能最小化整體損失。結果是模型在稀有類別（高價商品）上的召回率大幅降低，因為模型很少預測出這些稀有類別。

每個選項為什麼對或錯

• A 模型在預測時傾向輸出稀有類別，導致雖能捕捉到少數樣本，但精確率（Precision）顯著下降； 錯誤選項

  不平衡資料通常使模型傾向預測多數類別，而非稀有類別，此描述與實際情況相反。

• B 模型由於類別分布不均，難以建立有效的線性分離邊界，進而無法收斂； 錯誤選項

  類別不平衡不一定導致模型無法收斂，模型仍可收斂但會偏向多數類別。

• C 模型過度聚焦於稀有類別樣本，導致對多數類別的預測能力下降，整體效能受損； 錯誤選項

  模型通常會忽略而非聚焦於稀有類別，因為多數類別對損失函數的影響更大。

• D 模型學到的決策邊界主要由多數類別主導，忽視了稀有類別，造成該類別的召回率（Recall）大幅降低 正解

  多數類別主導決策邊界，導致稀有類別的召回率降低，這是資料不平衡最典型的問題。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。