下列哪一個方法能在建模過程中添加隨機噪訊，來解決模型變異過高的問題？ (A) 拔靴集成法(Bootstrap Aggregating) (B) XGBoost(eXtreme Gradient Boosting) (C) 支援向量機(Support Vector Machine) (D) 生成式對抗網路(Generative Adversarial Networks)

國營聯招統計資訊統計學、巨量資料概論110 年第 45 題單選題考點：降低Variance/集成學習考點：降低Bias/梯度提升

下列哪一個方法能在建模過程中添加隨機噪訊，來解決模型變異過高的問題？

A拔靴集成法(Bootstrap Aggregating)正確答案

BXGBoost(eXtreme Gradient Boosting)

C支援向量機(Support Vector Machine)

D生成式對抗網路(Generative Adversarial Networks)

答案與詳解

正確答案

Bagging（Bootstrap Aggregating）透過對訓練資料重複抽樣（含隨機噪訊效果）建立多個模型再集成，專門降低高變異（Variance）問題。

A拔靴集成法(Bootstrap Aggregating)降低Variance/集成學習✓ 正確

Bootstrap Aggregating（Bagging）對原始資料集進行有放回的隨機重抽樣，每次抽出的子集略有差異（等同添加隨機噪訊），訓練多個弱學習器後投票/平均，有效降低模型的高變異（Overfitting）問題。隨機森林是其最知名應用。

BXGBoost(eXtreme Gradient Boosting)降低Bias/梯度提升✕ 易錯陷阱

XGBoost 屬於 Boosting 系列，逐步學習前一輪模型的殘差（梯度提升），目的是降低偏差（Bias）而非變異；它並非以添加隨機噪訊為核心手段，容易與 Bagging 混淆。

C支援向量機(Support Vector Machine)✕ 錯誤

D生成式對抗網路(Generative Adversarial Networks)✕ 錯誤

這題的完整詳解,註冊就能看 · 每天 2 題免費

精選詳解