iPAS 考題解析某零售企業在建置機器學習模型預測顧客購買機率時，資料同時包含大量稀疏類別特徵與數值型特徵。團隊希望模型既能學習過去已出現的特徵組合規律，也能對未出現的特徵組合做出合理預測。下列哪一種模型架構最適合此類需求？

解析

正確答案：D. 寬深模型（Wide and Deep）

寬深模型（Wide and Deep）結合了 Wide 部分（記憶已見特徵組合）和 Deep 部分（泛化到未見組合）的優勢，特別適合同時處理稀疏類別特徵和數值型特徵，且能兼顧記憶與泛化能力。

每個選項為什麼對或錯

• A 線性迴歸（Linear Regression） 錯誤選項

  線性迴歸是簡單模型，難以有效處理大量稀疏類別特徵。

• B 決策樹（Decision Tree） 錯誤選項

  決策樹能處理混合特徵，但泛化到未見特徵組合的能力有限。

• C 支援向量機（Support Vector Machine, SVM） 錯誤選項

  SVM 在高維稀疏特徵下計算成本高，且不特別擅長記憶與泛化的平衡。

• D 寬深模型（Wide and Deep） 正解

  寬深模型的 Wide 部分記憶已見組合，Deep 部分泛化未見組合，最適合此需求（正確答案）。

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。