AI應用規劃師初級: L11 人工智慧基礎概論
L11201 資料基本概念與來源
140. 關 於 關聯規則分析（Association Rule），下列敘述何者 不正確？
(A) 典型的關聯規則分析，是分析超市中顧客購買的品項集合資料
（通 常被稱為交易資料，或是購物籃資料），其個別品項間或
品項群間 的關聯
(B) 關聯規則分析最常見的模型， 是以品項集合出現的次數，
來量化 彼此間的關聯程度， 以此探勘出來的品項集合稱為
頻繁品項集 （Large Itemsets or Frequent Itemsets）
(C) 關聯規則分析的目的，是基於某些品項出現的前提下，
挖掘出可 預測其它品項發生之可能性的規則，這
些規則就被稱為關聯規則
(D) 關聯規則分析在資料探勘領域中，不容易與其它方法論結合運 用，
例如：集群、分類與離群值分析等
141. 下列何種方法， 最適合解決 非線性 分類問題 及 高 維空間數據 識別問 題？
(A) 支援向量機（Support Vector Machine）
(B) K平均法（K-means）
(C) 貝式判別（Bayesian Classifier）
(D) 模糊理論（Fuzzy Set）
142. 下列何者為「常用來分析客戶資料，並建構模型以預測顧客流失 （Churn）
與否」的方法？
(A) 關聯規則分析
(B) 分類模型
(C) 迴歸分析
(D) 集群分析
143. 關於 訓練資料集 與 測試資料集，下列敘述何者正確？
(A) 訓練資料是從要分析的資料庫中隨機取樣
(B) 訓練資料可以不知道其類別
(C) 測試資料可以包含訓練資料集中的資料
(D) 測試資料可以不知道其類別
144. 關於線性迴歸模型（Linear Regression）的假設，下列敘述何者不正確？
(A) 依變項（要預測的變項）呈現常態分佈
(B) 自變項（預測變項） 之間是獨立事件
(C) 自變項的組合來自隨機抽樣（例如五個自變項隨機抽三個出來做 迴歸）
(D) 依變項之誤差為常態分佈
145. 下列何者為「學習模型時，為了得到好的準確度」而容易造成的問題？
(A) 過度擬合（Overfitting）
(B) 資料標籤不均（Imbalanced Data）
(C) 資料維度過高
(D) 資料集過大
146. 在線性迴歸中，以 最小平方法計算 迴歸參數時，殘差 需符合四大條件。
下列何者非屬 四大條件之一？
(A) 殘差期望值為零
(B) 殘差必須符合均勻分配
(C) 殘差之間沒有自相關（殘差獨立性）
(D) 殘差需符合變異數同質性
147. 選用 線性模型 或 統計分析方法 時，會根據 依變數 與自變數 的 屬性而有
所不同，請問下列表格與配對的選項，何者 不適當？
(A) 線性迴歸
(B) 線性判別分析（Linear Discriminant Analysis）
(C) 變異數分析（Analysis of Variance）
(D) 皮爾森相關係數（Pearson Correlation Coefficient）
148. 根據 資料分佈 選擇模型假設時，會遇到 不適合 直接建立線性模型的情 況，
此時可以透過轉換資料的方式進行修正。請問透過何種模型，
適 合 將圖 1的資料分佈轉換為圖 2？
(A) y=β0+β1 x
(B) y=β0+β1 x+β2 x2
(C) y2=β0+β1 x
(D) log(y)= β0+β1 log(x)
149. 關於線性迴歸模型績效評估，下列敘述何者 不正確？
(A) 評估模型績效的方式不只一種
(B) 通常可透過混淆矩陣評估模型績效
(C) 殘差繪圖（Residual Plots）是以視覺化的方式檢視模型的配適狀 況
(D) 許多績效評量的計算是基於殘差（Residual），它是 各觀測值 減去
其模型的預測值，而常用的SSE 是 殘差平方的總和
發表文章
