建議先看完對應教學影片再作答，效果加倍。 👉 YouTube 教學頻道
第 1 題
某保險公司建立理賠詐欺偵測模型，資料集包含 87 個特徵，其中涵蓋保戶年齡、投保金額、理賠次數、地區代碼等。資料科學家發現部分特徵之間存在高度共線性，且有約 30 個特徵與詐欺標籤的相關性極低。若首要目標是在不損失關鍵預測能力的前提下降低模型複雜度，下列哪一組特徵選擇策略最合理？
(A) 使用過濾法（Filter Method）以相關係數或資訊增益篩除低相關特徵，再用變異數膨脹因子（VIF）識別並移除高共線性特徵，降低維度後再訓練模型
(B) 直接將全部 87 個特徵投入 XGBoost 訓練，依賴模型內建的特徵重要性自動忽略無關特徵，無需在訓練前進行任何人工特徵篩選
(C) 對所有 87 個特徵進行主成分分析（PCA）降維，將原始特徵壓縮至 10 個主成分，確保維度大幅降低的同時保留最大變異量
(D) 隨機移除一半特徵後訓練模型，若準確率未下降則確認被移除的特徵為無效特徵，再對剩餘特徵重複此流程直到性能下降
答案：A
深度導讀解析
正確答案：A
核心技術點：Filter Method 特徵篩選與 VIF 共線性診斷的組合應用
中級理論拆解：特徵選擇面對兩個問題：低相關特徵（對目標變數無預測力）和高共線性特徵（特徵間互相重複）。過濾法用統計指標（相關係數、資訊增益、卡方檢定）衡量每個特徵與目標變數的關聯強度，門檻以下直接篩除，計算成本低且與後續模型無關。VIF（Variance Inflation Factor）衡量某特徵能被其他特徵解釋的程度，VIF > 10 通常視為高共線性，應移除冗餘特徵。兩步驟組合能系統性清理無效與重複特徵。
選項坑洞掃描：B 說依賴 XGBoost 自動忽略無關特徵，高維特徵會增加訓練時間與過擬合風險，且 XGBoost 的特徵重要性不等同於特徵選擇，無關特徵仍會參與訓練。C 的 PCA 確實能降維，但主成分是原始特徵的線性組合，失去可解釋性，且 PCA 不保證移除的是真正無關特徵。D 的隨機移除是沒有依據的試誤，可能誤刪重要特徵，且流程沒有理論支撐。
破題反射字：低相關特徵 → Filter Method 篩除 ／ 高共線性 → VIF 診斷 ／ PCA 限制 → 失去可解釋性
第 2 題
某電商平台建立用戶分群模型，資料集包含「會員等級」（普通、銀卡、金卡、白金）、「偏好品類」（3C、服飾、美妝、食品、家電）兩個類別型特徵。資料工程師正在評估 One-Hot Encoding 與 Label Encoding 的適用性。下列何者最能正確說明兩種編碼方式的適用場景與選擇邏輯？
(A) 會員等級應使用 Label Encoding（普通=1、銀卡=2、金卡=3、白金=4），因其具有有意義的順序關係；偏好品類應使用 One-Hot Encoding，因類別間無大小之分，避免模型誤讀數值順序
(B) 兩個特徵都應使用 Label Encoding，因為 One-Hot Encoding 會大幅增加特徵維度，在高維資料上容易導致維度災難，Label Encoding 的數值順序問題可透過正則化修正
(C) 兩個特徵都應使用 One-Hot Encoding，因為任何類別型特徵都不應賦予數值順序，即使會員等級有高低之分，也應以二元向量表示避免模型誤判
(D) 偏好品類應使用 Label Encoding（3C=1、服飾=2、美妝=3），因為類別數量多時 One-Hot Encoding 會產生過於稀疏的向量；會員等級應使用 One-Hot Encoding 因為只有四個類別
答案：A
深度導讀解析
正確答案：A
核心技術點：有序類別 vs. 無序類別的編碼策略選擇
中級理論拆解：類別型特徵編碼的核心判斷是「類別之間是否有有意義的順序」。會員等級普通 < 銀卡 < 金卡 < 白金，這個順序對模型有實質意義，Label Encoding 的數值 1、2、3、4 能正確傳遞此資訊。偏好品類的 3C、服飾、美妝之間沒有大小關係，若用 Label Encoding 賦予 1、2、3，模型會誤以為「服飾 > 3C」，引入錯誤的順序假設，One-Hot Encoding 將每個類別獨立表示才是正確做法。
選項坑洞掃描：B 說 One-Hot 的順序問題可用正則化修正，正則化是控制模型複雜度的工具，無法修正編碼引入的錯誤語義資訊。C 說所有類別型特徵都用 One-Hot，忽略了有序類別用 Label Encoding 更能傳遞真實資訊的優勢。D 把兩者的適用邏輯完全對調，偏好品類類別多更需要 One-Hot 而非 Label Encoding。
破題反射字：有序類別 → Label Encoding ／ 無序類別 → One-Hot Encoding ／ 錯誤順序假設 → Label Encoding 用於無序類別的風險
第 3 題
某醫療機構建立早期敗血症預警模型，資料集中包含體溫、血壓、心跳、白血球數等 24 個數值型特徵，各特徵的數值範圍差異極大（體溫約 35～42°C，白血球數約 2,000～30,000 個/μL）。模型選用 K-Nearest Neighbors（KNN）進行分類。下列何者最能正確說明特徵縮放在此情境中的必要性，以及 Min-Max 正規化與 Z-score 標準化的選擇邏輯？
(A) KNN 依賴距離計算，白血球數的量級遠大於體溫，未縮放時距離計算被白血球數主導；若資料分布接近常態且無明顯離群值，Z-score 較適合；若需將特徵壓縮至固定範圍，Min-Max 較適合
(B) KNN 對特徵量級不敏感，因為它只比較相對大小而非絕對距離，因此 24 個特徵無需縮放即可正確計算各樣本間的鄰近關係
(C) Min-Max 正規化適用所有情境，應將全部 24 個特徵壓縮至 0～1 之間；Z-score 只適用於特徵需要呈現負值的情境，在醫療正值特徵上不應使用
(D) 特徵縮放只對線性模型（如線性迴歸、SVM）有影響，KNN 使用樹狀結構進行分類，距離計算的量級差異不會影響最終的分類結果
答案：A
深度導讀解析
正確答案：A
核心技術點：KNN 對特徵尺度的敏感性，以及 Min-Max 與 Z-score 的適用情境差異
中級理論拆解：KNN 用歐氏距離計算樣本相似度，距離公式對各維度的差值平方加總。白血球數差值動輒數千，體溫差值僅個位數，未縮放時距離幾乎完全由白血球數決定。Z-score 將特徵轉換為均值 0、標準差 1 的分布，適合資料接近常態分布的場景；Min-Max 將特徵壓縮至指定範圍（通常 0～1），適合需要固定輸出範圍或資料分布不規則的場景，但對離群值敏感。
選項坑洞掃描：B 說 KNN 對量級不敏感，這是根本性的誤解，KNN 完全依賴距離計算，量級差異直接決定哪個特徵主導結果。C 說 Z-score 只適用於負值情境，Z-score 的輸出確實可能為負，但這不限制其適用場景，負值對距離計算無影響。D 說 KNN 用樹狀結構，KNN 沒有樹狀結構，它是基於實例的懶惰學習，決策樹才用樹狀結構。
破題反射字：KNN + 量級差異 → 必須特徵縮放 ／ Z-score → 常態分布、無離群值 ／ Min-Max → 固定輸出範圍、對離群值敏感
第 4 題
某銀行信用卡詐欺偵測系統的訓練資料中，正常交易 98,500 筆、詐欺交易 1,500 筆，比例約 66:1。資料科學家計畫使用 SMOTE（Synthetic Minority Over-sampling Technique）處理類別不平衡。下列何者最能正確描述 SMOTE 的合成機制，以及它相較於單純複製少數類樣本的根本優勢？
(A) SMOTE 在少數類樣本的特徵空間中，沿既有樣本與其 K 個最近鄰之間的線段插值生成新樣本，提供多樣化的合成資料而非重複相同樣本，降低過擬合風險
(B) SMOTE 透過對多數類樣本進行隨機欠採樣，將正常交易從 98,500 筆縮減至與詐欺交易相近的數量，以平衡兩類樣本的訓練比例
(C) SMOTE 使用生成對抗網路（GAN）在像素或特徵層面生成高度逼真的少數類合成樣本，確保合成資料的分布與真實詐欺交易完全一致
(D) SMOTE 對少數類樣本直接進行複製擴增至與多數類數量相同，再對每個複製樣本加入隨機高斯雜訊以增加多樣性，避免模型對重複樣本過度擬合
答案：A
深度導讀解析
正確答案：A
核心技術點：SMOTE 的 K-NN 插值合成機制與過擬合風險控制
中級理論拆解：SMOTE 的步驟是：對每個少數類樣本，找出其 K 個最近鄰（通常 K=5），在該樣本與隨機選取的一個近鄰之間的特徵空間線段上插值，生成新的合成樣本。公式是：新樣本 = 原樣本 + 隨機數(0~1) × (近鄰樣本 - 原樣本)。這個機制確保合成樣本落在既有少數類樣本的分布空間內，且每個合成樣本都是唯一的，不是重複既有資料，能提供更豐富的決策邊界學習素材。
選項坑洞掃描：B 描述的是欠採樣（Under-sampling）而非 SMOTE，兩者方向相反，SMOTE 是增加少數類而非減少多數類。C 說 SMOTE 使用 GAN，GAN 是另一種生成合成資料的方法（如 CTGAN），與 SMOTE 的 K-NN 插值機制完全不同。D 說 SMOTE 是複製後加雜訊，這是隨機過採樣加噪聲的變體，SMOTE 的核心是在近鄰間插值而非在原樣本上加雜訊。
破題反射字：SMOTE → K-NN 插值合成 ／ 少數類近鄰插值 → 生成多樣化合成樣本 ／ 欠採樣 → 減少多數類（與 SMOTE 相反）
第 5 題
某製造業公司的感測器資料集中，「設備型號」欄位有 2,000 個不同型號（高基數類別特徵），「故障類型」欄位只有 5 種類別。資料工程師考慮對「設備型號」使用 One-Hot Encoding，但技術主管指出這會產生嚴重問題。下列何者最能正確描述高基數類別特徵使用 One-Hot Encoding 的核心問題，以及更合適的替代策略？
(A) One-Hot Encoding 對 2,000 個型號會產生 2,000 個新欄位，造成維度爆炸與稀疏矩陣問題；應改用目標編碼（Target Encoding）以故障率取代類別標籤，或使用嵌入層（Embedding）學習低維表示
(B) One-Hot Encoding 的問題在於無法處理訓練集未出現的新型號；應改用雜湊編碼（Hashing），將 2,000 個型號雜湊到固定數量的桶中，確保新型號也能被正確編碼
(C) One-Hot Encoding 對高基數特徵的主要問題是計算速度慢；應改用 Label Encoding 將 2,000 個型號編碼為 1～2000 的整數，計算效率提升且不增加特徵維度
(D) One-Hot Encoding 對高基數特徵完全不適用，唯一解決方案是先對設備型號進行人工分組，將 2,000 個型號合併為 10～20 個類別後再進行編碼
答案：A
深度導讀解析
正確答案：A
核心技術點：高基數類別特徵的維度爆炸問題與目標編碼、嵌入層的替代方案
中級理論拆解：One-Hot Encoding 對 2,000 個類別產生 2,000 個二元欄位，大多數樣本在這 2,000 個欄位中只有一個 1、其餘全為 0，形成極度稀疏的矩陣，增加計算成本與記憶體負擔，也提高過擬合風險。目標編碼（Target Encoding）用每個類別對應的目標變數均值（本題即各型號的平均故障率）取代類別標籤，保留類別與目標的關聯資訊且不增加維度。嵌入層則透過訓練學習每個類別的低維稠密向量表示，是深度學習場景的常見做法。
選項坑洞掃描：B 說最大問題是無法處理新型號，這確實是 One-Hot 的問題之一，但維度爆炸才是高基數特徵的首要問題，且雜湊編碼會造成碰撞（不同型號映射到同一個桶）。C 說改用 Label Encoding 解決計算速度，Label Encoding 對無序類別引入錯誤的數值順序，2,000 個型號沒有 1 到 2000 的順序意義。D 說唯一解法是人工分組，人工分組需要領域知識且可能損失資訊，目標編碼和嵌入層都是不需要人工分組的系統化方案。
破題反射字：高基數類別 → One-Hot 維度爆炸 ／ 目標編碼 → 用目標均值取代類別標籤 ／ 嵌入層 → 深度學習場景的低維稠密表示
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
