moea_joint
106年
[統計資訊] 統計學、巨量資料概論
第 45 題
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
- C 對資料作正規化(Normalization)前處理
- D 使用測試資料建模
思路引導 VIP
想像一下，如果一位學生為了應付考試，把課本上的每一道練習題與答案「死記硬背」下來，導致他在遇到稍微變形的考題時就完全不會寫。如果我們希望這位學生不要只會背誦，而是去理解背後的原理，我們應該在「評分標準」中加入什麼樣的機制，來懲罰這種「只求細節精準卻不顧邏輯簡潔」的行為呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準選出這個選項，代表你對機器學習中「複雜度控制」的核心觀念掌握得非常紮實。過適 (Overfitting) 的本質是模型過度擬合了訓練資料中的雜訊，導致其在未見過的資料上表現不佳。你所選的 正則化 (Regularization) 正是處理此問題的經典良方。
控制模型複雜度的機制
在統計建模中，我們會透過在目標函數中加入一個處罰項（Penalty Term），例如 $L_1$ 或 $L_2$ 正則化。這就像是在原本的損失函數中加入了一道「限制」，公式如下：
▼ 還有更多解析內容