下列有關過擬合(Overfitting)之處理策略，何者有誤？
A利用數據增強如圖片旋轉，增加數據多樣性
B不斷增加訓練次數，直到訓練誤差趨近於零正確答案
C使用Dropout技巧隨機丟棄神經元
D使用早停法(Early Stopping)
答案與詳解
逐選項解析
A利用數據增強如圖片旋轉，增加數據多樣性數據增強✕ 錯誤
數據增強(Data Augmentation)如圖片旋轉、翻轉可擴充訓練樣本多樣性，降低模型對特定樣式的過度記憶，是正確的防過擬合策略。
B不斷增加訓練次數，直到訓練誤差趨近於零過度訓練=過擬合✓ 正確
不斷增加訓練次數(Epochs)直到訓練誤差趨近於零，會使模型記住訓練資料的雜訊，導致泛化能力下降，此為造成過擬合的行為，而非解決策略，故本選項有誤。
C使用Dropout技巧隨機丟棄神經元✕ 錯誤
D使用早停法(Early Stopping)✕ 錯誤
立即註冊,看完整詳解
這題的完整詳解,註冊就能看 · 每天 2 題免費
- 完整逐選項解析
- 秒殺解題技巧與破題關鍵
- 關鍵知識表整理
- 陷阱與易錯提醒
- 同考點歷屆題庫連續刷題與錯題本
立即註冊觀看完整詳解 已有帳號?登入
