模型訓練、評估與驗證:18 題線上練習
「模型訓練、評估與驗證」是 iPAS AI 應用規劃師中級的能力指標(代號 L23303),涵蓋模型訓練、泛化能力與穩定性評估。本頁收錄 18 題免費練習題,附逐題解析。
依能力指標分組,點一題看選項與解析。
L23303 模型訓練、評估與驗證
評鑑範圍:模型訓練、泛化能力與穩定性評估
- 在迴歸模型評估中,決定係數 R² = 0.85 代表什麼含義?
- 在不平衡資料集的分類問題中(如信用卡詐欺偵測,詐欺佔 0.1%),為何準確率(Accuracy)不是一個好的評估指標?
- 一個已訓練的機器學習模型在驗證集表現良好,但在測試集上性能明顯下降。持續增加更多特徵能解決此問題嗎?為什麼?
- 某 NLP 模型在英文資料上的 Recall 為 0.92,遷移到繁體中文後 Recall 降至 0.61,原因最可能是?
- 下列哪一種指標通常用於評估迴歸模型的效能?
- 關於準確率(Accuracy)的計算方式,下列何者正確?
- 某二元分類模型在測試集上的混淆矩陣如下:TP=80, FP=20, FN=10, TN=90。請計算該模型的 F1 Score(精確率與召回率的調和平均數)。
- R² = 0.85 的意義為何?
- Precision=0.8, Recall=0.6, F1 Score = ?
- 正樣本僅佔 3% 時,最不適合用來評估模型的指標為何?
- 下列何者不屬於降低過擬合的策略?
- 工業設備故障預測需要長期穩健運作,最佳的驗證方法為何?
- 多語言模型英文 F1=0.91 但西班牙文 F1=0.58,主要原因為何?
- 準確率(Accuracy)的計算公式為何?
- 程式碼排序:(a)分割訓練/測試集 (b)訓練模型 (c)讀取資料 (d)預測並評估。正確順序為何?
- 訓練中驗證損失在第 80 輪後開始波動,最佳的 Early Stopping 策略為何?
- 既能避免過擬合又能自動篩選特徵的方法為何?
- 醫療心臟病小資料集、類別不平衡,且需兼顧比例一致,最佳驗證方法為何?
本考點的相關 AI 術語
先掌握這些術語的定義與應用情境,再回來練題。