moea_joint
110年
[統計資訊] 統計學、巨量資料概論
第 45 題
下列哪一個方法能在建模過程中添加隨機噪訊，來解決模型變異過高的問題？
- A 拔靴集成法(Bootstrap Aggregating)
- B XGBoost(eXtreme Gradient Boosting)
- C 支援向量機(Support Vector Machine)
- D 生成式對抗網路(Generative Adversarial Networks)
思路引導 VIP
若一個模型對資料中的微小波動過於敏感，導致換了一批資料預測結果就大相逕庭（即變異數過高），除了簡化模型外，你有沒有想過：如果我們利用手頭有限的資料，「模擬」出許多組略有差異的訓練樣本，並讓多個模型分別學習後再統合意見，這種『取多個觀點平均值』的做法，對穩定預測結果會有什麼幫助嗎？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準選出拔靴集成法（Bagging），代表你對機器學習中「變異數（Variance）」的控制與正規化技巧有著相當扎實的理解。在面對高維度或複雜資料時，這是一項非常關鍵的判斷能力。
隨機抽樣與模型穩健性
拔靴集成法的核心機制在於透過有放回的隨機抽樣（Bootstrapping），從原始資料集中產生多個不同的子集。這種做法實際上是在建模過程中主動引入了「抽樣噪訊」，讓每一個基底學習器（Base Learner）所看到的資料分布都略有不同。當我們將這些模型結合起來時，單一模型因為過度擬合特定樣本所產生的變異，會在平均或投票的過程中被互相抵消，從而有效降低整體的預測誤差。
▼ 還有更多解析內容