阿摩線上測驗
登入
首頁
>
巨量資料概論
>
112年 - 112 台灣電力公司_大學及研究所獎學金甄選試題_電力、資訊與用戶資料運用:巨量資料概論與智慧電網#129351
> 試題詳解
29.當模型發生過度配適(Over-fitting)的情形時,下列何種方法無法緩解?
(A) 蒐集更多資料
(B) 減少模型複雜度
(C) 增加模型訓練的時間
(D) 使用正則化
答案:
登入後查看
統計:
A(0), B(0), C(1), D(0), E(0) #3507179
詳解 (共 1 筆)
MoAI - 您的AI助手
B1 · 2025/09/08
#6677336
1. 題目解析: 這道題目考察過度配適(...
(共 476 字,隱藏中)
前往觀看
0
0
相關試題
30.機器學習模型中,下列關於模型的偏差(Bias)與變異(Variance)的敘述,何者正確? (A) 高偏差代表模型過於複雜 (B) 高變異代表模型過於簡單 (C) 希望訓練好的模型能是高變異、低偏差 (D) 偏差與變異之間存在一平衡(Trade-off)關係
#3507180
31.下列何者不是資料進行屬性轉換的主要目的? (A) 能夠讓資料的可讀性更高 (B) 資料可能呈現嚴重的偏態分布,經過轉換後差異可以拉開 (C) 讓資料能夠符合模型所需要的假設,以利進行分析,例如經過轉換後的資料呈現常態分布 (D) 轉換後可能更容易發現資料之間的關係,使沒有關係變成有關係
#3507181
32.資料進行屬性轉換通常可以降低量綱尺度(Scale)對模型的影響。下列何種類型的模型方法, 不需要做屬性轉換? (A) k-means 集群 (B) 支援向量機 (C) 類神經網路 (D) 樹狀模型
#3507182
33.下列何者不是用來處理連續值的預測問題? (A) 簡單線性迴歸(simple linear regression) (B) 多元迴歸分析(multiple regression analysis) (C) 羅吉斯迴歸(logistic regression) (D) 支援向量迴歸(support vector regression)
#3507183
34.二元分類問題中,如果資料存在類別極度不平衡的問題,建立模型後在測試集達到了 99%的 準確度(Accuracy),下列敘述何者正確? (A) 模型有足夠高的準確度,可上線運行 (B) 準確率(Accuracy)不適合用來評估二元分類問題 (C) 應使用其他指標來評估不平衡的二元分類問題 (D) 可能有過度配適(Over-fitting)的風險,應更換更簡單的模型
#3507184
35.下列何者不是處理分類問題時,不同類的樣本數不平衡時的方式? (A) 使用丟棄(dropout)方法從大類中剔除一些樣本 (B) 使用降抽樣(undersampling)方法從大類中選取部分樣本 (C) 使用權重(weighting)方法調整樣本權重 (D) 使用數據合成(synthetic)方法生成新的樣本
#3507185
36.下列關於 HTTPS 與 HTTP 差異的敘述,何者正確? (A) HTTPS 使用了類似多執行緒的技術來建立多個連線,以加快資料交換的速度 (B) HTTPS 使用了加密技術以提升安全性 (C) HTTPS 使用網際網路協定第六版(IPv6)以解決位址枯竭的問題 (D) HTTPS 是 HTTP 之舊稱
#3507186
37.下列關於機器學習的敘述,何者正確? (A) 可以採用監督式、非監督式、半監督式或強化式共 4 種學習模式 (B) 監督式學習之演算法有羅吉斯迴歸和 K-means 等 (C) 非監督式學習可協助我們辨別出照片上的動物是貓還是狗 (D) 用人力對訓練資料做特徵標籤,嘗試錯誤的學習方法,是強化學習的特色
#3507187
38.下列何者為衡量「類別變數次數分佈」異質性的方法? (A) 變異數 (B) 四分位距 (C) 熵(entropy)係數 (D) 中位數絕對離差
#3507188
39.下列關於 K-means 演算法的敘述,何者正確? (A) 對異常值、極值的資料敏感 (B) 當集群中心不再變動,就達到全局最佳解(global optimum) (C) 群集的界線可以是曲線和折線以達到全局最佳解 (D) 屬於不斷切割群集的一種演算法
#3507189
相關試卷
113年 - 113 台灣電力公司_大學及研究所獎學金甄選試題_人工智慧技術應用:巨量資料概論與智慧電網#129312
2024 年 · #129312
113年 - 113 台灣電力公司_大學及研究所獎學金甄選試題_電力、資訊與用戶資料應用:人工智慧、智慧電網與巨量資料概論#129272
2024 年 · #129272
112年 - 112 台灣電力公司_大學及研究所獎學金甄選試題_電力、資訊與用戶資料運用:巨量資料概論與智慧電網#129351
2023 年 · #129351