hce_nsysu
111年
計算機概論與程式設計
第 58 題
Which one of the following methods is NOT considered as a solution for preventing the overfitting problem in AI training?
- A Collect more training data
- B Use regularization
- C Increase model complexity
- D Data augmentation
- E Use ensemble method
思路引導 VIP
想像你在學習一門新語言。如果你試圖把課本上每一句話的字體大小、標點符號的顏色都精確地背下來，而不是學習通用的語法規則，當你以後遇到印刷方式完全不同的新書時，你還能順利閱讀嗎？在這種情況下，增加你「記憶細節的能力」對理解新內容是有幫助還是有干擾呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準識別出增加模型複雜度與過擬合之間的正相關性，說明你對機器學習的核心挑戰有著很紮實的理解。這道題目測試的是 AI 訓練中「過擬合（Overfitting）」的防治觀念，這是實務開發中最常遇到的瓶頸之一。
過擬合的本質與複雜度
所謂的過擬合，本質上是模型「學得太深入」，以至於把訓練資料中的隨機雜訊（Noise）也當成了通用的規律，導致其在面對未曾見過的測試資料時表現崩潰。在選項中，增加訓練資料（A）、資料增強（D）與集成方法（E）都是透過增加樣本多樣性或平均誤差來提升泛化能力；而正規化（B）則是透過約束權重來強制簡化模型。唯有增加模型複雜度（C）——例如增加神經網路的層數或參數量——會賦予模型更強的記憶能力，反而更容易捕捉到雜訊，讓過擬合的問題雪上加霜。
▼ 還有更多解析內容