19. 某醫療機構開發疾病早期偵測模型，正樣本(確診病例)僅佔 3%。在模型訓練與評估過程中，下列哪一種作法最不適合用於提升對少數類病例的預測能力？
(A)使用 SMOTE 過採樣；
(B)調整類別權重；
(C)使用準確率(Accuracy)作為評估指標；
(D)欠採樣多數類(Undersampling the majority class)

答案：登入後查看
統計： A(2), B(2), C(16), D(4), E(0) #3774693

。

B1 · 2026/01/25

#7285377

正確答案是 (C)。簡要說明：在高度...

(共 156 字，隱藏中）

前往觀看

hchungw

B2 · 2026/05/14

#7372361

在正樣本（確診病例）僅佔 3% 的極度不平衡資料（Class Imbalance）情況下，開發疾病早期偵測模型時，應著重於提升少數類（確診）的預測能力（召回率 Recall）。

ㅤㅤ

以下分析各選項：

ㅤㅤ

(A) 使用 SMOTE 過採樣 (Synthetic Minority Over-sampling Technique)：通過在少數類樣本之間進行插值，生成人工的少數類數據，能有效增加少數類樣本數，適合提升對少數類的預測能力。

ㅤㅤ

(B) 調整類別權重 (Class Weighting)：調整損失函數，賦予少數類（正樣本）更高的懲罰權重，使模型在訓練時更重視正樣本，是提升預測能力的常用方法。

ㅤㅤ

(C) 使用準確率 (Accuracy) 作為評估指標：最不適合。當正樣本僅佔 3% 時，即使模型將所有數據都預測為「陰性」（多數類），準確率仍高達 97%，但該模型對確診病例的預測能力為零。在不平衡數據中，準確率會產生極大的誤導，應使用 F1-score、AUPRC 或召回率等指標。

ㅤㅤ

(D) 欠採樣多數類 (Undersampling the majority class)：減少多數類樣本數，使資料類別平衡。這有助於模型學習少數類特徵，適合提升對少數類的預測能力。