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？
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？
- A. 線性迴歸（Linear Regression）
- B. 決策樹（Decision Tree）
- C. 支援向量機（Support Vector Machine, SVM）
- D. 寬深模型（Wide and Deep） ✓ 正確答案
詳細解析
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。
出題年份：115 難度：★★☆