10. 以下關於機器學習演算法的敘述何者不正確？
(A)監督式學習演算法可能會有過度學習(Over Learning)的問題
(B) K-平均分群演算法(K-Means Clustering)是一種非監督式學習演算法
(C)平衡式Winnow演算法(Balanced Winnow)是一種線性分類器
(D)線性迴歸(Linear Regression)相較於多層感知機(Multilayer Perceptron)有較大的變異(Variance)

答案：登入後查看
統計： A(13), B(17), C(15), D(45), E(0) #3131027

詳解 (共 2 筆)

#5900258
(D) 線性迴歸(Linear Regr...
(共 407 字，隱藏中）
前往觀看
10
0
#6441937

以下關於機器學習演算法的敘述：

  • (A) 監督式學習演算法可能會有過度學習(Over Learning)的問題

    • 正確。過度學習（Overfitting，也常譯作過擬合）是監督式學習中常見的問題。當模型在訓練資料上表現得非常好，但對未見過的新資料（測試資料）表現不佳時，就發生了過度學習。這表示模型過度學習了訓練資料中的雜訊和特定模式，而非資料的普遍規律。

  • (B) K-平均分群演算法(K-Means Clustering)是一種非監督式學習演算法

    • 正確。K-Means 是一種典型的非監督式學習演算法，用於將資料點分組（聚類）到 K 個不同的群集中，而不需要事先給定標籤（label）。

  • (C) 平衡式Winnow演算法(Balanced Winnow)是一種線性分類器

    • 正確。Winnow 演算法及其變體（如 Balanced Winnow）是一種在線學習演算法，主要用於處理高維稀疏數據的二元分類問題。它基於權重更新的機制，其決策邊界是線性的，因此它屬於線性分類器的一種。

  • (D) 線性迴歸(Linear Regression)相較於多層感知機(Multilayer Perceptron)有較大的變異(Variance)

    • 不正確。
      • **線性迴歸（Linear Regression）是一種相對簡單的模型，假設輸入和輸出之間存在線性關係。它的模型複雜度較低，通常傾向於有較低的變異（Variance）**和較高的偏差（Bias）。這意味著它對訓練資料的微小變化不敏感，但可能無法捕捉複雜的非線性關係。
      • **多層感知機（Multilayer Perceptron, MLP）是一種更複雜的類神經網路模型，具有處理非線性關係的能力。如果 MLP 具有足夠多的層和節點，它的模型複雜度會很高，因此更容易出現較高的變異（Variance）**和較低的偏差（Bias），這也使得它更容易發生過度學習。
    • 簡單來說，模型越複雜（例如 MLP），通常變異性越大，越容易過擬合；模型越簡單（例如線性迴歸），通常變異性越小，但可能欠擬合。因此，線性迴歸相較於多層感知機，其變異性通常較小。

基於以上分析，描述不正確的是 (D)。

The final answer is D​

1
0