資料切分

某金融科技公司在利用歷史交易資料建立風險控管模型時，嘗試推估整體詐騙交易比例。近期發現，樣本間存在明顯的時間序列相關性，導致模型在實際偵測新交易時誤判率升高。若希望同時改善詐騙比例推估的準確性並提升模型的穩健性，下列哪一種做法最為合適？

1. A擴充樣本數量，以涵蓋更多潛在的詐騙型態，但維持既有的隨機抽樣方式不變
2. B採取時間序列敏感的抽樣策略，例如依據交易時間區間進行分層，以保存原始的時間結構特性
3. C將資料完全隨機打散，以降低序列相關性對模型訓練造成的影響
4. D在模型評估時，針對相鄰時間區段進行誤差合併，以便用整體估計方式修正詐騙比例

某能源公司以過去三年每小時用電資料建立需求預測模型，並以5-fold 交叉驗證評估，但上線後誤差偏高。技術主管認為問題出在資料分割方式。下列何者最能說明使用標準k-fold 交叉驗證的根本問題？

1. Ak-fold 交叉驗證需要的計算資源過大，不適合處理三年以上的長期資料；
2. Bk-fold 交叉驗證會隨機分割資料，使訓練集中可能包含比測試集更晚的時間點，破壞時間依賴性；
3. Ck-fold 交叉驗證的折數設定過少，應改為10-fold 以提升驗證穩定性；
4. Dk-fold 交叉驗證僅適用於分類問題，不適合電力需求這類連續數值預測任務

在調整模型超參數（Hyperparameters）時，若希望避免因過度調整參數而導致過擬合，下列哪一種做法最有效提升模型的泛化能力？

1. A採用交叉驗證（Cross-Validation）於多組參數組合間反覆評估，選擇在驗證資料上表現最穩定的設定
2. B使用早期停止機制（Early Stopping）監控訓練誤差並在收斂前停止訓練，以防模型學習過度
3. C對輸入特徵進行標準化以減少特徵值差異帶來的過擬合風險
4. D提高模型複雜度並使用更多超參數搜尋範圍，以確保模型能充分學習資料特徵

在進行超參數調校（Hyperparameter Tuning）時，若直接在K-Fold交叉驗證（Cross-Validation）的資料上同時調整模型參數並評估效能，最可能導致下列哪一種問題？

1. A模型的交叉驗證結果出現過度樂觀偏差（Over-optimistic Bias），因測試摺資料間接參與參數選擇，造成資料洩漏（Data Leakage）
2. B模型會在每一摺（Fold）內反覆調整參數，導致訓練不穩與過度正則化
3. C因交叉驗證資料被重複使用，造成效能方差增大，無法獲得穩定估計
4. DK-Fold 交叉驗證的假設與超參數搜尋相衝突，導致驗證過程失效

若評估一個新開發的腫瘤分類模型，其資料集中有 80%的樣本來自良性病例。若直接使用 5-fold交叉驗證（Cross-Validation） 進行模型評估，可能導致模型效能評估出現偏差，為避免此問題，下列哪一種作法最合適？

1. A降低K值以減少交叉驗證次數
2. B改為使用拔靴法（Bootstrap）
3. C調整測試集使良性樣本比例更高，以模擬真實分佈
4. D使用分層交叉驗證（Stratified K-Fold Cross-Validation），以確保每折類別比例一致

以下虛擬程式碼(pseudocode)最可能是在描述何種驗證法? Input: 　- data_set:包含 N 筆資料的資料集 　- model_training_function:用來訓練模型的函式 　- model_evaluation_function:用來評估模型的函式(如計算誤差或準確率) Output: 　- 平均評估指標(如平均準確率或平均誤差) Algorithm: 1. 初始化評估指標列表 metrics = [] 2. 對 i = 1 到 N: 　a. 將第 i 筆資料作為測試集 test_data 　b. 將其餘 N-1 筆資料作為訓練集 train_data 　c. 使用 model_training_function 在 train_data 上訓練模型 　d. 使用訓練好的模型對 test_data 做預測,計算評估指標 metric_i 　e. 將 metric_i 加入 metrics 3. 計算 metrics 的平均值 mean_metric 4. 回傳 mean_metric

1. AHold-out 驗證(Hold-out Validation)
2. B留一交叉驗證 LOOCV(Leave-One-Out Cross Validation)
3. CK-fold 交叉驗證(K-fold Cross Validation)
4. D拔靴法(Bootstrap)驗證

某零售企業建立一個銷售預測模型，希望評估該模型在不同月份的新資料上，是否仍能維持穩定的預測表現。資料科學團隊計畫利用統計方法檢驗模型對未觀察資料的適應能力與泛化效果。下列哪一種方法最適合用於此目的？

1. AF檢定（F-test）
2. B交叉驗證（Cross-Validation）
3. C配對樣本t 檢定（Paired-sample t-test）
4. D卡方檢定（Chi-square Test）

在工業設備故障預測專案中，模型訓練與超參數調整均依賴於一段歷史數據作為驗證集。然而，隨著設備運行環境與工況條件的變化，原有驗證集已無法充分反映現況，導致模型在實際部署後的預測準確率逐漸下降。下列哪一種策略最能有效提升模型在長期運行環境中的穩健性與泛化能力？

1. A固定驗證集內容，並透過模型正則化技巧（如 L2 正則化）強化模型泛化
2. B將全部歷史資料納入訓練，不使用驗證集，依靠早期停止（Early Stopping）控制訓練
3. C簡化模型架構，減少模型參數數量以降低過擬合風險
4. D採用時間序列交叉驗證（Time Series Cross Validation）或滑動視窗驗證（Rolling Window Validation）方法，動態更新驗證資料以適應時間演進

某醫療人工智慧團隊正在開發心臟病風險預測模型，資料量僅有 150 筆，其中陽性個案不到 8%。由於樣本數稀少且類別分布極不平衡，團隊希望在有限資料下，仍能準確評估模型在不同資料上的表現穩定性，同時避免訓練資料被過度切分而影響模型效能。若團隊希望在有限樣本下，同時兼顧資料的利用率與各類別在驗證折中的比例一致性，最適合採用下列哪一種交叉驗證方法？

1. A5-Fold交叉驗證（5-Fold Cross Validation）
2. B留一法交叉驗證（Leave-One-Out Cross Validation）
3. C隨機交叉驗證（Random Cross Validation）
4. D分層留一法交叉驗證（Stratified Leave-One-Out Cross Validation）

某團隊為職業籃球隊建立球員受傷風險預測模型，原始特徵 280 個。初始模型訓練集AUC 為0.94、測試集僅0.68，顯示嚴重過擬合。為改善模型，團隊進行以下處理步驟：第一步於全體資料（含測試集）上計算特徵間線性相關係數並移除高度相關特徵；第二步依模型重要性篩選特徵後重新訓練模型。最終測試集 AUC 提升至0.81。關於上述調整流程，下列敘述何者最為正確？

1. A使用相關係數進行特徵篩選方向正確，主要問題在於相關係數門檻設定過高
2. B在全體資料（含測試集）上進行特徵篩選會造成資料洩漏，且線性相關無法捕捉非線性關係
3. C特徵篩選後需重新對測試集進行標準化，否則會影響模型表現
4. D測試集表現提升代表過擬合已解決，流程可直接部署

某連鎖便利商店集團欲建立門市未來 14 天每日銷售額預測模型（500 間門市、3 年歷史資料）。資料具有明顯的週期性（週末較高）、年度季節性（暑假與年末高峰）及長期成長趨勢，並包含已知節日與不定期事件（如颱風）。在此情境下，關於資料切分與建模策略，何者最適當？

1. A採隨機切分（80/20），使用傳統時間序列模型建模，刪除節日資料避免極端值影響，並以均方根誤差（RMSE）評估
2. B依時間順序切分（最後 90天為測試集），使用具季節性建模能力的時間序列模型並加入節日資訊，不處理不定期事件，以平均絕對百分比誤差（MAPE）評估
3. C依時間順序切分並採前進式驗證（Walk-Forward Validation），結合時間序列分解與機器學習模型，加入時間特徵、滯後與滾動統計特徵，並納入節日與不定期事件資訊，使用均方根誤差（RMSE）與平均絕對百分比誤差（MAPE）評估
4. D依時間順序切分，直接使用深度學習模型建模，不進行特徵工程，所有門市共用模型，以平均絕對誤差（MAE）評估

某工程師建立零售商品銷量預測模型，初期以第 1 至 52 週資料作為訓練集、第53 週作為測試集（固定時間切分）。半年後重新評估，發現模型對最新資料（如第 80 週）的預測明顯衰退，推測為時間演進導致行為模式改變。若重新設計驗證策略，應採用下列哪種方法，使每次訓練皆基於最新時間區間資料？

1. AK-fold 交叉驗證（K-fold Cross-Validation）
2. B分層 K-fold（Stratified K-fold）
3. C滾動窗口驗證（Rolling Window Validation / Time Series Split）
4. D留一驗證法（Leave-One-Out Cross-Validation）

Iris 資料集包含三種鳶尾花(Iris setosa、Iris versicolor、Iris virginica)各 50 筆資料,每筆有四個特徵(花萼長度、花萼寬度、花瓣長度、花瓣寬度)。研究人員先用線性判別分析(LDA)降維,接著使用 K 最近鄰(KNN)分類,並以交叉驗證評估準確率,程式如下: from sklearn.model_selection import cross_val_score from sklearn.neighbors import KNeighborsClassifier from sklearn.discriminant_analysis import LinearDiscriminantAnalysis lda = LinearDiscriminantAnalysis() X_new = lda.fit_transform(X, y) model = KNeighborsClassifier(n_neighbors=3) scores = cross_val_score(model, X_new, y, cv=5, scoring="accuracy") scores.mean() # 輸出 0.9733 程式先以整體資料進行 LDA 降維,再用 KNN 分類並以交叉驗證評估準確率。請問下列敘述何者正確?

1. A此寫法完全正確，因為先以整體資料進行 LDA降維，再以交叉驗證測試 KNN，是標準流程
2. B此寫法存在資料洩漏（Data Leakage）問題，應將 LDA納入交叉驗證流程中一併進行
3. C雖然流程不夠嚴謹，但結果仍然能夠代表模型真實的泛化能力
4. D如果只想驗證 KNN 的分類效果，可以直接跳過 LDA步驟，以簡化流程

研究人員在以下程式中使用 cross_val_score 對 Iris 資料集(三類別、每類 50 筆)進行 KNN 交叉驗證,但目前尚未設定 cv 參數: from sklearn.model_selection import cross_val_score from sklearn.neighbors import KNeighborsClassifier from sklearn.discriminant_analysis import LinearDiscriminantAnalysis model = KNeighborsClassifier(n_neighbors=3) # 填入程式碼 scores = cross_val_score(model, X, y, cv=cv, scoring="accuracy") scores.mean() 他們希望確保在每次資料分割時,訓練集與測試集的類別比例與原始資料一致,以免影響模型的準確率估計。目前有以下幾段候選程式碼可供選擇: 程式碼 A:cv = KFold(n_splits=5, shuffle=True) 程式碼 B:cv = StratifiedKFold(n_splits=5, shuffle=True) 程式碼 C:cv = 5 程式碼 D:cv = RepeatedStratifiedKFold(n_splits=5, n_repeats=2) 請問為了確保交叉驗證時每個分割中的類別比例與原始資料一致,哪幾段程式碼插入在 [# 填入程式碼] 的部分比較合適?

1. A程式碼 B、程式碼 C、程式碼 D
2. B程式碼 A、程式碼 C
3. C程式碼 A、程式碼 B、程式碼 D
4. D程式碼 C、程式碼 D