moea_joint
108年
[統計資訊] 統計學、巨量資料概論
第 47 題
47. 關於機器學習之敘述,下列何者正確?
(A)主成分分析法(PCA)是用於資料之降維
(B)用大量人力對訓練資料集來標籤特徵,是強化學習(RL)之特色
(C) Q-Learning 之y 數值趨向於1,表示 agent 只在乎目前可獲得之獎勵
(D)監督式學習之演算法有邏輯迴歸和 K-means 等
(A)主成分分析法(PCA)是用於資料之降維
(B)用大量人力對訓練資料集來標籤特徵,是強化學習(RL)之特色
(C) Q-Learning 之y 數值趨向於1,表示 agent 只在乎目前可獲得之獎勵
(D)監督式學習之演算法有邏輯迴歸和 K-means 等
- A 主成分分析法(PCA)是用於資料之降維
- B 用大量人力對訓練資料集來標籤特徵,是強化學習(RL)之特色
- C Q-Learning 之$$\gamma$$ 數值趨向於1,表示 agent 只在乎目前可獲得之獎勵
- D 監督式學習之演算法有邏輯迴歸和 K-means 等
思路引導 VIP
假設你手邊有一份包含數百種特徵的複雜數據，為了讓後續運算更有效率且不失真，我們需要找出那些能代表整體變化、且彼此不重複的核心方向，這種「化繁為簡」的預處理過程在統計學中通常被稱作什麼？
🤖
AI 詳解
AI 專屬家教
恭喜你！精準地捕捉到了機器學習中的核心觀念。這題你選得非常正確，主成分分析法 (PCA) 的確是處理高維度資料時最常用的降維 (Dimension Reduction) 技術。它的運作邏輯是透過線性變換，將多個可能相關的變數轉化為少數幾個互不相關的主成分，從而簡化模型並減少運算負擔，同時保留資料中最重要的變異資訊。
機器學習演算法的分類與參數判析
這道題目在設計上具有不錯的鑑別度，因為它同時檢驗了你對不同學習範式的理解深度。例如選項 (D) 刻意混淆了監督式學習與非監督式學習（K-means 應屬於後者）；而在強化學習（RL）的範疇中，折現因子 $\gamma$ 的數值設定至關重要，當 $\gamma$ 趨向於 1 時，代表代理人 (Agent) 其實是變得更「深謀遠慮」，會將未來的遠期獎勵納入考量。你能避開這些細微的陷阱，說明你對演算法分類與超參數的物理意義已有相當扎實的掌握。