如何降低模型過適(Overfitting)問題？
A降低資料量
B在目標函數中加入參數正則化(Regularization) 項正確答案
C對資料作正規化(Normalization)前處理
D使用測試資料建模
答案與詳解
逐選項解析
A降低資料量✕ 易錯陷阱
降低資料量反而會讓過適更嚴重！解決過適應「增加」訓練資料，而非減少。方向完全相反。
B在目標函數中加入參數正則化(Regularization) 項✓ 正確
C對資料作正規化(Normalization)前處理✕ 易錯陷阱
正規化(Normalization)是將特徵縮放到相同尺度的前處理，目的是加速收斂、改善數值穩定性，並非針對過適問題的解法，兩者概念不同。
D使用測試資料建模✕ 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
同科目歷年考卷
統計學、巨量資料概論 相關題目
在資料進行機器學習的過程中，正規化(Regularization)係指下列何者？
統計學、巨量資料概論 · 113 年 · 第 43 題
下列有關過擬合(Overfitting)之處理策略，何者有誤？
統計學、巨量資料概論 · 112 年 · 第 36 題
關於機器學習演算法，下列敘述何者有誤？
統計學、巨量資料概論 · 105 年 · 第 33 題
在機器學習演算法中，下列何者最能避免過度配適(Overfitting)？
統計學、巨量資料概論 · 113 年 · 第 40 題
透過統計學習方法論，我們希望找出一個決策樹資料分類器以避免資料分類時的過度解讀(…
統計學、巨量資料概論 · 104 年 · 第 37 題
下列何者可能是模型有配適不足(Under-fitting)的狀況？
統計學、巨量資料概論 · 110 年 · 第 36 題
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？
統計學、巨量資料概論 · 110 年 · 第 45 題
深度神經網路(deep neural networks)的神經元中通常輸出時會經…
統計學、巨量資料概論 · 109 年 · 第 49 題
