iPAS AI 應用規劃師中級 114 年第二次 科三 第 2 題 詳解

114 年第二次 科三 機器學習技術與應用

在建立迴歸或分類模型時，若希望避免模型過度擬合（Overfitting），可透過加入正則化項以限制模型的複雜度。其中，L1正則化（Lasso）的主要效果為何？

1. A增加模型參數的數量，以提升表現靈活度

   增加參數只會加重過度擬合，與正則化目的相反。

2. B強化梯度穩定性，避免參數更新過度震盪

   穩定梯度是最佳化器或正規化層的工作，非 L1 效果。

3. C產生稀疏模型（Sparse Model），使部分參數權重收斂為零（正確答案）

   L1 懲罰絕對值，使部分權重被壓到零，形成稀疏模型。

4. D提高學習率（Learning Rate），加速模型收斂速度

   學習率是超參數設定，與懲罰項無關。