iPAS 考題解析
某醫院計畫開發住院日數預測模型，以協助病房調度。多數病人的住院日數集中在 3-7 天，但仍有少數重症患者因治療需求而住院日數明顯偏長。醫院希望採用一種合適的評估方式，既能兼顧大部分病人的預測準確度，也能確保對重症個案的預測維持穩健。下列哪一種方法最符合此需求？
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
- 人工智慧概念
- 能力指標
- AI 的定義與分類（L11101）
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「人工智慧概念」範疇， 對應的能力指標為「AI 的定義與分類」，涵蓋AI 定義、弱 AI vs 強 AI vs 超 AI 分類、三大 AI 浪潮等核心知識點。 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
某醫院計畫開發住院日數預測模型，以協助病房調度。多數病人的住院日數集中在 3-7 天，但仍有少數重症患者因治療需求而住院日數明顯偏長。醫院希望採用一種合適的評估方式，既能兼顧大部分病人的預測準確度，也能確保對重症個案的預測維持穩健。下列哪一種方法最符合此需求？
- A. 在模型檢核時，同時呈現平均絕對誤差（MAE）與重症子群的誤差指標； ✓ 正確答案
- B. 僅針對一般病人樣本進行交叉驗證，以避免重症個案拉高誤差；
- C. 將所有病人的住院日數進行標準化處理，以減少數值範圍差異的影響；
- D. 只採用單一的整體決定係數（R²）作為模型優劣的判斷依據
詳細解析
正確答案：A. 在模型檢核時，同時呈現平均絕對誤差（MAE）與重症子群的誤差指標；
同時呈現整體 MAE 和重症子群的誤差指標，能全面評估模型在不同群體上的表現。MAE 對極端值較不敏感，適合整體評估，而額外關注重症子群的誤差能確保模型在特殊個案上的預測品質。
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. 在模型檢核時，同時呈現平均絕對誤差（MAE）與重症子群的誤差指標； （正確）
同時使用整體 MAE 和重症子群誤差指標，能兼顧大部分病人和重症個案的評估需求。
B. 僅針對一般病人樣本進行交叉驗證，以避免重症個案拉高誤差； （不正確）
排除重症個案會使模型無法評估在重症上的表現，無法確保穩健性。
C. 將所有病人的住院日數進行標準化處理，以減少數值範圍差異的影響； （不正確）
標準化處理不能解決模型評估的問題，且可能掩蓋重症個案的預測誤差。
D. 只採用單一的整體決定係數（R²）作為模型優劣的判斷依據 （不正確）
單一 R² 無法區分模型在不同子群上的表現差異，不夠全面。
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。
某醫院研究團隊蒐集了大量病患的「收縮壓」數據，經檢驗後顯示此數值大致呈現常態分布。在進行後續模型分析前，研究人員希望妥善處理可能存在的極端血壓數值。下列哪一種做法最為合適？
初級 人工智慧基礎概論 難度 ★★☆ 114 年
某企業規劃導入 AI 技術支援多項資料分析任務中，下列何種屬於結構化預測（Structured Prediction）問題？
初級 人工智慧基礎概論 難度 ★★☆ 115 年
某電商平台希望預測商品的退貨機率，以協助降低營運風險。若模型使用的輸入資料包含「商品售價」、「顧客年齡」、「運送天數」，而模型的輸出為是否退貨（是/否）。請問在此模型中，「是否退貨」應歸類為下列哪一類變數？
初級 人工智慧基礎概論 難度 ★☆☆
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。