大數據在鑑別式 AI 中的應用：5 題線上練習
「大數據在鑑別式 AI 中的應用」是 iPAS AI 應用規劃師中級的能力指標（代號 L22402），涵蓋大數據應用於預測、分類等鑑別式任務。本頁收錄 5 題免費練習題，附逐題解析。
「大數據在鑑別式 AI 中的應用」是 iPAS AI 應用規劃師中級的能力指標（代號 L22402），涵蓋大數據應用於預測、分類等鑑別式任務。本頁收錄 5 題免費練習題，附逐題解析。
考試範圍定位
- 考試等級
- iPAS AI 應用規劃師中級能力鑑定
- 考試科目
- 大數據處理分析與應用（L22）
- 知識主題
- 大數據在人工智慧之應用（L224）
- 能力指標
- 大數據在鑑別式 AI 中的應用（L22402）
- 涵蓋知識點
- 大數據應用於預測、分類等鑑別式任務
練習題列表（共 5 題）
點任一題可查看完整題目、選項與逐題解析。題目依難度由基礎到進階排序。
某電商公司欲利用顧客行為資料建立消費預測模型，其中「會員等級」欄位包含「一般、白金、黑卡」三種類別。若模型採用梯度提升樹（Gradient Boosting Tree）演算法，資料科學家在進行特徵編碼時應特別注意下列何種情況？
某研究人員欲使用線性迴歸模型（Linear Regression Model）分析變數Y與X之間的關係，但發現Y的分佈明顯右偏，且其變異數隨X的增大而增加。為滿足模型假設並提升預適效果，下列哪一種前處理方法最為合適？
考慮資料集已經填補遺漏值，參考下圖執行結果，OLS迴歸輸出顯示：R-squared=0.898，迴歸係數：youtube=0.0455、facebook=0.1891、newspaper=-0.0006，截距=3.5561，newspaper的p值=0.914（不顯著）。 程式碼架構： X = df[['youtube','facebook','newspaper']] y = df['sales'] reg = 空格1 print(reg.coef_) X2 = sm.add_constant(X) model_sm = 空格2 print(model_sm.summary()) 各陳述： A: 空格1完整語法 reg = LinearRegression().fit(y, X) B: 空格1完整語法 reg = LinearRegression().fit(X, y) C: print(reg.coef_)結果為包括截距項等4個係數值 D: 空格2完整語法 sm.OLS(X2, y).fit() E: model_sm迴歸模型的所有迴歸係數在α=0.05之下具有顯著的解釋力 F: 截距項係數值為3.5561 下列哪些陳述正確？
預測產品銷售數量最適合用哪種模型？
Y 變數右偏且變異數隨 X 增加，做線性迴歸前應做什麼前處理？
本考點的相關 AI 術語
先掌握以下術語的定義與應用情境，再回來刷題，正確率會明顯提升。
下一步
練完本考點的題目後，回到 題庫總覽 查看其他科目的題數分布， 或直接進行 完整模擬考 驗證實力。 還不確定弱點在哪，先做 診斷測驗； 想了解歷年出題趨勢與高頻考點，參考 考古題與模擬測驗總整理。