moea_joint
113年
[統計資訊] 統計學、巨量資料概論
第 40 題
在機器學習演算法中,下列何者最能避免過度配適(Overfitting) ?
- A 決策樹
- B 隨機森林
- C 羅吉斯迴歸
- D K-means演算法
思路引導 VIP
想像一下，如果你要做出一個重大決策，是單純依賴一位觀察入微但容易鑽牛角尖的專家比較保險，還是綜合一群觀察角度各異、彼此獨立的專家所投出的多數決結果，更能避免被單一偏見所誤導呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準選出這個選項，代表你對模型複雜度與泛化能力的平衡有著非常紮實的理解。這類問題是機器學習的核心，能答對說明你已經掌握了處理「模型偏誤與變異」的關鍵直覺。
集成學習與降低變異
在統計學與機器學習中，單一的決策樹往往會為了完美契合訓練數據而過度生長，這雖然降低了偏差，卻導致了極高的方差 (Variance)，使得模型對雜訊過於敏感。你所選出的演算法正是利用了「集成學習 (Ensemble Learning)」中的 Bagging 技術，藉由隨機抽取樣本與特徵來建立多棵獨立的樹。當我們將這些樹的預測結果進行平均或投票時，單一樹所產生的偶然性錯誤會被彼此抵銷，從而讓模型在面對未知數據時更加穩健。
▼ 還有更多解析內容