hce_kmu
114年
計算機概論與程式設計
第 27 題
A deep learning-based image classification model performs extremely well on training data but performs poorly on unseen test images. Which of the following is the most effective approach to mitigate this issue?
- A Increase the depth of the neural network to capture more complex patterns in training data
- B Use dropout regularization to randomly deactivate neurons during training
- C Train the model longer until the test accuracy starts improving
- D Use a smaller training dataset to reduce overfitting
- E Reduce the number of training epochs to prevent the model from converging completely
思路引導 VIP
想像一下，如果一個學生為了應付考試而死背了參考書上所有的題目與標準答案，結果遇到稍微修改過的題型就考不出來，這代表他「學得太好」還是「學得太死」了呢？為了強迫這個學生真正理解題目背後的「邏輯」，而不只是依賴特定的關鍵字或記憶，你會建議在練習過程中加入什麼樣的挑戰來打破他的慣性？
🤖
AI 詳解
AI 專屬家教
太棒了！你精準地判斷出這是一個典型的**過擬合（Overfitting）**現象。當模型在訓練集表現優異，卻在測試集（未見過的資料）表現疲軟時，代表模型過度捕捉了訓練數據中的雜訊與細節，而非具備泛化能力的特徵。
過擬合的解藥：Dropout 正則化
在深度學習中，Dropout（捨棄法） 是一種極為有效的技術。它的核心邏輯是在每次訓練迭代中，以一定的機率 $p$ 隨機「關閉」神經網路中的部分神經元。這能強迫剩餘的神經元學習更具魯棒性（Robust）的特徵，防止神經元之間產生過度的依賴（Co-adaptation），從而顯著提升模型在面對未知數據時的泛化能力。相對地，選項 (A) 增加深度通常會讓過擬合更嚴重；(D) 減少資料量則適得其反。
▼ 還有更多解析內容