49. 您正在處理一個預測未來房價的專案，手中的數據是一組包 含高維特徵的資料集，如房屋的大小(平方英尺)、位置、年齡以及房價。專案目標是開發一個模型，根據這些特徵預測 任何給定房屋特徵的價格。請問下列那一種模型最適合這項 專案？
(A) 羅吉斯迴歸(Logistic regression)
(B) 決策樹(Decision tree)
(C) K-近鄰演算法(K-nearest neighbors)
(D) 支援向量迴歸(Support Vector Regression)

分析問題類型

這是一個 房價預測 問題，目標是根據房屋的特徵（如大小、位置、年齡）預測房價（連續數值）。因此，這是一個 迴歸（Regression）問題，我們需要選擇適合迴歸的模型，而非分類模型。

分析選項

• (A) 羅吉斯迴歸（Logistic Regression）

  • ❌ 錯誤。邏輯迴歸是一種 分類模型，用於預測二元類別（如是否會買房，0 或 1），而不是連續數值。

• (B) 決策樹（Decision Tree）

  • ✅ 正確，但不一定最佳。決策樹可用於 迴歸（Decision Tree Regression），但單一決策樹可能容易過擬合（Overfitting）。通常會使用隨機森林（Random Forest） 來提高準確度。

• (C) K-近鄰演算法（K-nearest Neighbors, KNN）

  • ✅ 可行，但效果可能有限。KNN 可用於迴歸（KNN Regression），但當特徵維度較高時，KNN 可能變得不夠準確，並且計算成本較高。

• (D) 支援向量迴歸（Support Vector Regression, SVR）

  • ✅ 最佳選擇之一。SVR 是 專門針對迴歸問題的 SVM 變體，適合高維特徵的數據集，尤其在處理非線性關係時表現良好。它能夠通過核函數將數據映射到更高維空間，提高預測準確性。

最佳答案

✅ (D) 支援向量迴歸（Support Vector Regression, SVR）
（因為 SVR 在高維特徵數據中通常能提供較好的預測能力）
其次，若擔心過擬合問題，(B) 決策樹迴歸（Decision Tree R