iPAS 考題解析
某銀行建立 AI 詐欺交易偵測模型。歷史交易資料中,詐欺樣本比例極低,導致模型訓練時偏向預測為「正常交易」。資料科學團隊評估採用 SMOTE(Synthetic Minority Over-sampling Technique)改善訓練資料分佈。下列何者最符合 SMOTE 技術的主要功能?
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
某銀行建立 AI 詐欺交易偵測模型。歷史交易資料中,詐欺樣本比例極低,導致模型訓練時偏向預測為「正常交易」。資料科學團隊評估採用 SMOTE(Synthetic Minority Over-sampling Technique)改善訓練資料分佈。下列何者最符合 SMOTE 技術的主要功能?
- A. 透過隨機刪除部分正常交易資料,以降低類別失衡程度
- B. 依據少數類別樣本的特徵空間,合成產生新的少數類別樣本 ✓ 正確答案
- C. 調整模型的損失函數(Loss Function)權重,使誤判少數類別時的懲罰提高
- D. 以交叉驗證(Cross-validation)方式重新分割資料集,使各折資料類別比例一致
詳細解析
正確答案:B. 依據少數類別樣本的特徵空間,合成產生新的少數類別樣本
SMOTE 的核心原理是在少數類別樣本的特徵空間中,透過插值方式合成新的少數類別樣本,從而平衡訓練資料中的類別分佈。這與刪除多數類別(Undersampling)或調整損失權重不同。
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. 透過隨機刪除部分正常交易資料,以降低類別失衡程度 (不正確)
刪除多數類別樣本屬於 Undersampling 技術,不是 SMOTE 的做法。
B. 依據少數類別樣本的特徵空間,合成產生新的少數類別樣本 (正確)
SMOTE 透過在少數類別樣本間插值來合成新樣本,這正是其核心功能(正確答案)。
C. 調整模型的損失函數(Loss Function)權重,使誤判少數類別時的懲罰提高 (不正確)
調整損失函數權重是 Cost-sensitive Learning 的方法,與 SMOTE 不同。
D. 以交叉驗證(Cross-validation)方式重新分割資料集,使各折資料類別比例一致 (不正確)
交叉驗證是模型評估方法,不是資料平衡技術。
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。
某電信公司建立機器學習模型預測用戶流失風險。資料中包含多個類別型特徵(Categorical Features),例如「資費方案類型」與「客戶地區」。為使模型能有效使用這些特徵,下列何者最直接用於將類別型特徵轉換為模型可處理的數值格式?
某團隊訓練深層神經網路模型時,發現訓練誤差長時間幾乎不下降,模型參數更新幅度極小,呈現學習停滯現象。若研判問題與梯度傳遞效率有關,下列何者最適合的改善策略?
某團隊想採用循環神經網路(Recurrent Neural Network, RNN)建構長期氣候數據的預測模型,以下哪一項敘述最符合使用 RNN 可能會遇到的挑戰?
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 115 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。