iPAS 考題解析
在進行模型訓練前,若針對資料中不同群體(例如分類標籤)之間樣本數量不平衡的情況進行比例調整,此方法通常屬於下列哪一種技術?
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- 機器學習技術與應用
- 知識主題
- 機器學習基礎數學
- 能力指標
- 機率/統計之機器學習基礎應用(L23101)
本題屬於 iPAS AI 應用規劃師中級能力鑑定「機器學習技術與應用」科目中的「機器學習基礎數學」範疇, 對應的能力指標為「機率/統計之機器學習基礎應用」,涵蓋數據的數學分佈特性、變異解釋等核心知識點。 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
在進行模型訓練前,若針對資料中不同群體(例如分類標籤)之間樣本數量不平衡的情況進行比例調整,此方法通常屬於下列哪一種技術?
- A. 資料重抽樣 ✓ 正確答案
- B. 特徵選擇
- C. 模型正則化
- D. 超參數調整
詳細解析
正確答案:A. 資料重抽樣
資料重抽樣(Resampling)是解決類別不平衡的資料層面技術:包括過採樣(Oversampling,如 SMOTE 增加少數類樣本)和欠採樣(Undersampling,減少多數類樣本)。特徵選擇、正則化和超參數調整是模型訓練技術,不直接處理類別不平衡的比例問題。
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. 資料重抽樣 (正確)
資料重抽樣透過調整樣本比例解決類別不平衡,此為正確答案。
B. 特徵選擇 (不正確)
特徵選擇是選擇最相關特徵的技術,不解決樣本比例問題。
C. 模型正則化 (不正確)
正則化控制模型複雜度,不解決資料不平衡。
D. 超參數調整 (不正確)
超參數調整優化模型訓練設定,不直接處理資料不平衡。
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。
某零售公司希望利用顧客的年齡與每月消費金額,預測顧客是否為高價值顧客。提供相關資料 data.csv,包含欄位 Age、Spending、HighValue。請將下列程式碼片段依正確順序排序,以完成模型的建立與預測。 ``` a. from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) b. from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X_train, y_train) c. import pandas as pd data = pd.read_csv("data.csv") X = data[["Age", "Spending"]] y = data["HighValue"] d. y_pred = model.predict(X_test) print("Predictions:", y_pred[:5]) ```
在優化器中,哪一個方法會自動調整每個參數的學習率,特別適用於稀疏資料?
關於歐盟《一般資料保護規則(GDPR)》,所謂的被遺忘權(Right to be Forgotten)主要賦予資料主體哪一項權利?
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。 本題來自中級考試範圍,需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 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。