22. 下列那一種重抽樣方法是隨機 k 等分樣本集後，每次保留一 份作為測試集樣本，而以其餘 k-1 份樣本進行模型訓練？
(A) 拔靴抽樣(Bootstrapping)
(B) 交叉驗證(Fold Cross Validation)
(C) 保留法(Holdout)
(D) 袋外樣本(Out-of-bag Samples)

正確答案：
? (B) 交叉驗證 (Fold Cross Validation)

解析

交叉驗證 (Cross Validation, CV) 是一種重抽樣 (Resampling) 方法，目的是提高模型的泛化能力，減少過擬合風險。其中，k-fold 交叉驗證 是最常見的類型：

1. 將數據集隨機劃分為 k 個等分 (folds)。
2. 每次選擇其中 1 份作為測試集，剩下的 k-1 份作為訓練集。
3. 重複 k 次，確保每個子集都被當作一次測試集。
4. 最後平均 k 次的結果，得到最終模型的評估指標。

因此，交叉驗證符合題目描述的「隨機 k 等分樣本，每次保留一份作為測試集，剩下 k-1 份訓練模型」的方式。

為什麼其他選項錯誤？

1. (A) 拔靴抽樣 (Bootstrapping) ❌

   • 這是一種有放回的隨機抽樣方法，通常用來進行統計估計，或用於隨機森林 (Random Forest) 訓練不同的子模型。
   • 它的做法與「k 等分樣本」的方式不同。

2. (C) 保留法 (Holdout) ❌

   • 直接將數據集劃分為訓練集與測試集 (如 80%:20% 或 70%:30%)，但不會做 k 次重複測試。
   • 這種方法適合大型數據集，但缺點是可能因為分割方式不均勻，影響評估結果。

3. (D) 袋外樣本 (Out-of-bag, OOB Samples) ❌

   • 這是 隨機森林 (Random Forest) 使用的特殊方法。
   • 在隨機森林中，每棵決策樹都是透過 Bootstrapping 進行訓練，因此約 63% 的樣本被用來訓練，每棵樹未使用的數據稱為「袋外樣本」(OOB Samples)，可用來評估模型表現。
   • OOB 方法並沒有進行 k 等分，而是由於 Bootstrapping 產生的結果。

結論

? (B) 交叉驗證 (Fold Cross Validation) 是正確答案，因為它符合「隨機 k 等分樣本集，每次保留一份作為測試集，剩餘 k-1 份訓練」的描述。