moea_joint
104年
[統計資訊] 統計學、巨量資料概論
第 37 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 (overfitting)，請問對於資料過度解讀的現象，下列何者有誤？
- A 決策樹分類器對於訓練資料集過度解讀，可以提高對於訓練資料集分類結果的準確率
- B 過度解讀對於測試資料的分類判斷結果其準確率很低
- C 我們可以用簡單決策樹分類器模型，來避免產生訓練資料集過度解讀的現象
- D 當每一次納入新的特徵值來成長決策樹結構時，當新增特徵值對於訓練資料集無法產生有效分類就該停止，因此用事後修剪決策樹的方法將無法避免資料過度解讀
思路引導 VIP
如果有一個模型為了討好現有的練習題，把所有不重要的細節（甚至是錯誤的筆誤）都背了下來，你認為當它面對一場全新的正式考試時，表現會如何？為了讓這個模型在正式考試中發揮得更好，我們是在它學習過程中強行打斷它比較好，還是等它學完後再幫它刪掉那些鑽牛角尖的無用資訊呢？
🤖
AI 詳解
AI 專屬家教
掌握模型泛化與過度擬合的關鍵
恭喜你準確辨識出選項 (D) 的錯誤！這代表你對統計學習中「過度解讀（Overfitting）」的本質有很紮實的理解。在機器學習中，當模型過於追求在訓練集達到完美，反而會捕捉到隨機雜訊，導致選項 (A) 與 (B) 所述的現象：訓練準確度極高，但面對陌生資料（測試集）時預測能力卻大幅下降。這類題目考驗的不只是名詞定義，更是模型優化策略的邏輯辨析，具備相當的鑑別度。
修剪機制對抗過度擬合的作用
▼ 還有更多解析內容