機器學習原理與技術：6 題線上練習
「機器學習原理與技術」是 iPAS AI 應用規劃師中級的能力指標（代號 L23201），涵蓋基礎理論、機率推論與模擬驗證技術。本頁收錄 6 題免費練習題，附逐題解析。
「機器學習原理與技術」是 iPAS AI 應用規劃師中級的能力指標（代號 L23201），涵蓋基礎理論、機率推論與模擬驗證技術。本頁收錄 6 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
- 機器學習技術與應用（L23）
- 知識主題
- 機器學習與深度學習（L232）
- 能力指標
- 機器學習原理與技術（L23201）
- 涵蓋知識點
- 基礎理論、機率推論與模擬驗證技術
練習題列表（共 6 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。
在機器學習模型評估中，交叉驗證（Cross-Validation）的主要目的為何？
在時間序列模型的交叉驗證中，為何不能使用標準的 K-fold 交叉驗證？
在分類不平衡問題的交叉驗證中，「分層抽樣（Stratified Sampling）」結合「留一法（Leave-One-Out Cross-Validation）」的主要考量為何？
以下使用 scikit-learn 進行 KNN 模型交叉驗證的程式碼，執行後 cv_scores 的型別和長度為何？ ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import cross_val_score from sklearn.datasets import load_iris X, y = load_iris(return_X_y=True) knn = KNeighborsClassifier(n_neighbors=5) cv_scores = cross_val_score(knn, X, y, cv=5) print(type(cv_scores), len(cv_scores)) ```
評估模型在不同月份的泛化效果，最適合的方法為何？
KNN 搭配交叉驗證計算準確率的正確程式碼為何？
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。