iPAS 考題解析
深度學習模型中，下列哪一項通常用來降低過擬合（Overfitting）問題？
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
- 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
深度學習模型中，下列哪一項通常用來降低過擬合（Overfitting）問題？
- A. 增加訓練數據量
- B. 增加模型的複雜度
- C. 增加學習率
- D. 增加正則化項 ✓ 正確答案
詳細解析
正確答案：D. 增加正則化項
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. 增加訓練數據量 （不正確）
增加訓練數據量確實能幫助模型學習更廣泛的模式，減少對特定訓練樣本的過度記憶，進而降低過擬合。但這不總是可行，且通常會搭配其他技術一起使用。
B. 增加模型的複雜度 （不正確）
增加模型的複雜度（例如增加層數或神經元數量）反而會讓模型更容易過擬合，因為它有更多參數可以去「記住」訓練數據中的噪音，而不是學習通用模式。
C. 增加學習率 （不正確）
學習率是控制模型參數更新步長的重要超參數。學習率過高可能導致模型無法收斂，甚至發散；學習率過低則訓練緩慢。它主要影響訓練速度和收斂性，與直接降低過擬合的關係不大。
D. 增加正則化項 （正確）
正則化是一種直接限制模型複雜度的方法，例如L1或L2正則化。它在損失函數中加入一個懲罰項，鼓勵模型使用較小的權重，從而降低模型對訓練數據的敏感度，有效防止過擬合。
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。
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。