18. 下列何者最能同時反映 XGBoost(eXtreme Gradient Boosting)相較於傳統梯度提升決策樹(Gradient Boosting Decision Tree, GBDT)的主要技術改進？
(A)引入正則化項(Regularization)以抑制過擬合，並支援缺失值自動處理與並行化訓練；
(B)改以隨機森林(Random Forest)架構取代樹模型以提升準確率；
(C)以類神經網路(Neural Network)取代弱分類器(Weak Learners)；
(D)採用批次正規化(Batch Normalization)技術提升模型穩定性

以下是針對 XGBoost 相較於傳統 GBDT 的主要技術改進分析：

• (A) 引入正則化項 (Regularization) 以抑制過擬合，並支援缺失值自動處理與並行化訓練：
  • 正則化 (Regularization)： XGBoost 在目標函數中加入了 \(L_{1}\)（Lasso）和 \(L_{2}\)（Ridge）正則項，能有效控制模型複雜度，防止過擬合。
  • 缺失值處理： XGBoost 具備「稀疏感知（Sparsity-aware）」能力，能在訓練時自動學習缺失值的最佳分裂方向。
  • 並行化/高效能： XGBoost 支援特徵粒度的並行運算（Block結構），且能利用 CPU 緩存進行優化，速度遠快於傳統 GBDT。
• (B) 錯誤： XGBoost 依然使用決策樹（CART）作為基學習器，而不是切換到隨機森林。
• (C) 錯誤： XGBoost 依然使用樹模型（樹模型屬於Boosting中的弱學習器，而非類神經網路）。
• (D) 錯誤：批次正規化 (Batch Normalization) 通常用於類神經網路訓練，並非 XGBoost 的核心改進技術。