moea_joint
109年
[統計資訊] 統計學、巨量資料概論
第 50 題
集成式分類方法是將弱分類器(weak classifiers)集合起來用以增強分類的準確率與穩定度。請問下列何者不是集成式分類方法？
- A AdaBoost
- B Gradient Boosted Trees
- C Random Forest
- D K-Nearest Neighbor
思路引導 VIP
請試著想像一下：在解決問題時，「參考多位專家的共同意見後投票」與「直接尋找過去最相似的一個案例來模仿」，這兩種決策方式在『模型組成架構』上有什麼根本性的不同？哪一種才具備『集合多個小單元』的特徵呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能從眾多演算法中精準辨識出 K-Nearest Neighbor (KNN)，代表你對機器學習模型的基本分類與「集成學習」的底層邏輯有著相當扎實的理解。
集成學習與群體智慧
集成式分類方法 (Ensemble Methods) 的核心理念在於「群體智慧」，它透過結合多個弱分類器（通常是簡單的決策樹）來建構出一個強大的預測系統。選項中的 Random Forest 採用了自助聚集法 (Bagging)，而 AdaBoost 與 Gradient Boosted Trees (GBT) 則屬於提升法 (Boosting) 的範疇。這類方法雖然運算成本較高，但能有效降低模型偏差與變異數，從而增強預測的穩定度。
▼ 還有更多解析內容