2026 01 27 左永安 顧問/講師/委員/宮主/秘書長/永續長/執行長/理事長 經濟部 iPAS AI應用規劃師初級能力鑑定 科目一：人工智慧基礎概論 (A) 皮爾森積差相關分析（Pearson Correlation）\ (B) 主成分分析（Principal Components Analysis, PCA） (C) 迴歸分析（Regression Analysis） (D) 隨機森林（Random Forest） 準確率（Accuracy）召回率（Recall）

 經濟部 iPAS AI應用規劃師初級能力鑑定-考試樣題

科目一：人工智慧基礎概論

B   21.某金融機構已部署的 AI 模型遭客戶抱怨有不公平情形，經數據分析發 現不同族群之間的

        模型預測結果存在顯著差異。根據金融監督管理委員 會發布之

      《金融業運用人工智慧（AI）指引》，此情形下最適當的處置方 式為何？

       (A) 重新訓練新的模型，並重新部署以修正結果 

       (B) 啟動人工覆核與調整機制，並持續監控族群間預測效果

      (C) 記錄模型預測結果並提交備查，待未來法規修正後再行處理 

      (D) 若模型偏誤屬於高風險用途，可由風控或合規單位先行審視其公平 性影響，

           再決定是否啟動調整機制

 C   22.請問下列何者 不是 常見的特徵選取技術或方法？ 

             (A) 皮爾森積差相關分析（Pearson Correlation）

            (B) 主成分分析（Principal Components Analysis, PCA） 

             (C) 迴歸分析（Regression Analysis）

            (D) 隨機森林（Random Forest）

 C    23. 交叉驗證的主要目的是什麼？ 

            (A) 提高模型的訓練速度

            (B) 驗證數據是否線性可分

            (C) 減少模型的過擬合風險

            (D) 測試模型的容錯能力

B    24.  一家智慧工廠使用機器學習 分類模型 預測  關鍵設備是否會異常停機。

            完 成模型訓練後，團隊希望全面評估模型在不同面向的表現。

            請問下列哪 項指標最適合用來衡量模型在偵測異常停機時的「漏報率」

         （即未能正 確偵測出異常事件的比例）？ 

           (A) 準確率（Accuracy），即模型整體預測正確的比例

           (B) 召回率（Recall），即模型能正確找出異常停機的比例 

           (C) F1分數（F1 Score），準確率與召回率的調和平均數

           (D) 假陽性率（False Positive Rate），即將正常事件誤判為異常的比例 

 B    25.神經網路  與   傳統機器學習模型   的主要區別是什麼？ 

          (A) 神經網路無法處理非線性數據 

          (B) 神經網路透過多層結構學習複雜特徵 

          (C) 神經網路只適用於迴歸問題

           (D) 神經網路不需要大量數據支持 

皮爾森積差相關分析

（Pearson Product-Moment Correlation）

是一種

用來衡量兩個連續變項（等距或比率尺度）之間，線性關係強度與方向的統計方法。

其相關係數

$r$

介於

$-1$

到

$1$

之間，絕對值愈大表示相關性愈強。

適用的條件包括：

資料為連續變數、呈雙變量常態分布、具有線性關係且無明顯異常值。

核心概念與定義 

定義： 

用來測量兩個變項間是否共同產生線性變化，將  變項標準化後  計算其相關性。

符號： 母群體相關係數為 

• 

  $\rho$
  (rho)，樣本相關係數為
  

  $r$
  。
• 數值解讀：
  • 

    $r=1$
    ：完全正相關。
  • 

    $r=-1$
    ：完全負相關。
  • 

    $r=0$
    ：無線性相關。
  • 

    $\left|r\right|$
    越大（越接近 1），相關性越強。

適用的資料與條件

變數類型： 兩變項皆需為連續變數（等距或比率尺度）。

• 線性關係： 變數間存在直線關係，非曲線關係。
• 常態分佈： 兩變數的資料大致符合常態分佈。
• 獨立性： 每一對資料點均為獨立。
• 無極端異常值： 異常值會顯著影響相關係數。 

公式與計算
樣本皮爾森積差相關係數

$r$

的計算公式為：

$r_{xy}=\frac{\sum _{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum _{i=1}^n(x_i-\bar{x}{)}^2\sum _{i=1}^n(y_i-\bar{y}{)}^2}}$

即：兩變項的共變異數除以它們標準差的乘積

注意事項 

相關 

• 

  $\ne$
  因果： 相關分析只能證明兩變數共同變化的程度，不能作為因果推論的依據。
• 決定係數：相關係數的平方（
• $r^2$
  ）稱為決定係數，表示一個變項能解釋另一個變項變異的比例。
• 

• 受極端值影響： 若數據存在極端異常值，會導致
  

  $r$
  值高估或低估相關性。
• 視覺化檢測： 建議先繪製散佈圖（Scatter plot）確認是否為線性關係。 

主成分分析

（PCA）

是一種非監督式學習的線性降維技術，透過正交轉換將高維度數據投影到低維空間。

其核心目的是在保留數據中變異數（特徵）最大的方向上，重新描述數據，

消除特徵間的相關性，

常用于資料壓縮、數據視覺化、去除雜訊及

避免機器學習過擬合。

• 正交轉換：主成分彼此正交（線性不相關、相關係數為 0），確保新特徵間沒有訊息重疊。