C
197. 梯度遞減法（Gradient Descent）是機器學習中常使用的參數收斂方 式，
我們可以透過參數 alpha 來調整整體收斂的速度（Step Size），請 問如果 alpha 過大時，
會導致什麼狀況發生？
(A) 太快收斂
(B) 收斂速度過慢
(C) 無法收斂
(D) 以上皆有可能發生
A
198. 下列何者不適合用來「預測明天會不會下雨」？
(A) 支援向量迴歸（Support Vector Regression）
(B) 支援向量機（Support Vector Machine）
(C) 決策樹（Decision Tree）
(D) 類神經網路（Neural Network）
D
199. 關於迴歸模型績效評估，下列敘述何者正確？
(A) 評估模型績效的方式不只一種，通常只用一種模型績效評估的方 式來決定模型的優劣
(B) 許多績效評量的計算是基於殘差（residual），它是模型的預測值 減去觀測值
(C) 常用的績效評量 SSE 是殘差平方的平均值，而另一個常用的績 效評量 MSE
是殘差平方的總和
(D) R2 也是常用的績效評量，其值表示資料中的訊息被模型所解釋 的比例，
R2 的解釋與結果變數的變異有關
D
200. 關於線性迴歸，下列敘述何者不正確？
(A) 並非任何資料集均可建立多元線性迴歸模型（multiple linear regression），
有時會有建模失敗的狀況發生
(B) 線性迴歸屬於無母數（nonparametric）的統計建模方法
(C) 迴歸方程式係數估計最佳化問題是最小化誤差平方和（Sum of Squared Error, SSE）
(D) 相較於類神經網路與支援向量機等監督式學習模型，迴歸建模所
獲得的模型可解釋性較低
發表文章
