關於隨機森林(Random Forest)，下列敘述何者正確？ (A) 在建立的過程是隨機採樣的，因此即使不剪枝也不容易出現過度配適(Over-fitting)的現象 (B) 在資料取樣進行拔靴集成法(Bootstrap Aggregating)的過程中，每次會取出 n 筆資料，且不重複選取直到資料完全被使用 (C) 無法在決定類別的同時，評估變數的重要性 (D) 隨機森林中的決策樹個數增加，也不會增加運算效能的負擔

正確答案為 A。隨機森林透過 Bagging + 隨機特徵選取，天然抑制過擬合，即使不剪枝也不易 Over-fitting。 (A) 【抗過擬合機制】正確。隨機森林每棵樹用 Bootstrap 取樣的子集 + 隨機子特徵訓練，集成多棵樹後偏差/方差皆受控，即使單棵樹不剪枝（高方差），整體集成仍不易 Over-fitting，這是 Random Forest 最核心的優點。 (B) 【Bootstrap有放回抽樣】錯誤。Bootstrap Aggregating（Bagging）是「有放回抽樣」(sampling with replacement)，每次從 n 筆原始資料中抽取 n 筆，同一筆資料可能被重複選取，約有 63.2% 原始資料會出現在每個 Bootstrap 樣本中，剩餘約 36.8% 成為 OOB（Out-of-Bag）樣本。「不重複選取直到完全使用」描述的是其他抽樣方式，與 Bagging 定義相悖。

國營聯招統計資訊統計學、巨量資料概論110 年第 47 題單選題考點：抗過擬合機制考點：Bootstrap有放回抽樣

關於隨機森林(Random Forest)，下列敘述何者正確？

A在建立的過程是隨機採樣的，因此即使不剪枝也不容易出現過度配適(Over-fitting)的現象正確答案

B在資料取樣進行拔靴集成法(Bootstrap Aggregating)的過程中，每次會取出 n 筆資料，且不重複選取直到資料完全被使用

C無法在決定類別的同時，評估變數的重要性

D隨機森林中的決策樹個數增加，也不會增加運算效能的負擔

答案與詳解

正確答案

隨機森林透過 Bagging + 隨機特徵選取，天然抑制過擬合，即使不剪枝也不易 Over-fitting。

逐選項解析

A在建立的過程是隨機採樣的，因此即使不剪枝也不容易出現過度配適(Over-fitting)的現象抗過擬合機制✓ 正確

正確。隨機森林每棵樹用 Bootstrap 取樣的子集 + 隨機子特徵訓練，集成多棵樹後偏差/方差皆受控，即使單棵樹不剪枝（高方差），整體集成仍不易 Over-fitting，這是 Random Forest 最核心的優點。

B在資料取樣進行拔靴集成法(Bootstrap Aggregating)的過程中，每次會取出 n 筆資料，且不重複選取直到資料完全被使用Bootstrap有放回抽樣✕ 易錯陷阱

錯誤。Bootstrap Aggregating（Bagging）是「有放回抽樣」(sampling with replacement)，每次從 n 筆原始資料中抽取 n 筆，同一筆資料可能被重複選取，約有 63.2% 原始資料會出現在每個 Bootstrap 樣本中，剩餘約 36.8% 成為 OOB（Out-of-Bag）樣本。「不重複選取直到完全使用」描述的是其他抽樣方式，與 Bagging 定義相悖。

C無法在決定類別的同時，評估變數的重要性✕ 錯誤

D隨機森林中的決策樹個數增加，也不會增加運算效能的負擔✕ 錯誤

登入查看完整解析