iPAS 考題解析深度學習模型中，在不增加訓練資料的前提下，下列哪一項通常用來降低過擬合問題？

解析

正確答案：D. 增加正則化項

正則化（Regularization，如 L1/L2、Dropout）透過約束模型複雜度來降低過擬合，是不需要新增資料即可使用的標準手段。增加訓練資料量雖然也能降低過擬合，但已被題幹前提排除；增加模型複雜度或提高學習率反而可能讓過擬合與訓練不穩定惡化。

每個選項為什麼對或錯

• A 增加訓練數據量 錯誤選項

  增加訓練數據量：雖然增加數據量能有效降低過擬合，讓模型學到更廣泛的特徵，但這選項並非直接調整模型結構或訓練過程的技術，且不總是可行。

• B 增加模型的複雜度 錯誤選項

  增加模型的複雜度：增加模型複雜度，像是增加層數或神經元，反而會讓模型更容易過度擬合訓練資料的雜訊，導致泛化能力變差，與降低過擬合的目標相反。

• C 增加學習率 錯誤選項

  增加學習率：學習率是控制模型參數更新的步長。增加學習率可能會讓模型訓練不穩定，甚至無法收斂到最佳解，與降低過擬合沒有直接關係，反而可能造成其他問題。

• D 增加正則化項 正解

  增加正則化項：正則化（如L1或L2）透過在損失函數中加入懲罰項，限制模型權重大小，降低模型複雜度。這能有效防止模型過度記憶訓練資料，提升泛化能力，是降低過擬合的常用方法。

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。