23. Receiver Operating Characteristic(ROC)曲線係由單一分類模型在不同決策閾值下形成，並以真陽率(True Positive Rate, TPR)為縱軸、假陽率(False Positive Rate, FPR)為橫軸。請問下圖中四條曲線，何者最不可能是 ROC 曲線？
(A)水平線 A；
(B)曲線 B；
(C)曲線 C；
(D)斜直線 D

24. 某 AI 工程師評估客戶滿意度評分(1–5 分，含有明顯離群值)與退款率(連續型比例 變數)之間的相關性，考慮使用皮爾森(Pearson)、斯皮爾曼(Spearman)或肯德爾 (Kendall)相關係數。關於三者的特性比較，下列敘述何者不正確？ (A)皮爾森衡量兩個連續變數間的線性關係強度；斯皮爾曼與肯德爾基於排名(Rank) 計算，對非線性單調關係也適用； (B)斯皮爾曼相關係數的計算公式等價於皮爾森，只是將原始數值替換為其排名後代入 計算； (C)與肯德爾相比，斯皮爾曼對離群值的穩健度更強； (D)三者的數值範圍(相關係數區間)皆相同，均在[-1, 1]之間

25. 某金融機構導入 AI 模型進行信用卡詐欺偵測，由於詐欺交易極為稀少(約佔全部交易 0.3%) ，因此模型在測試階段得到 99.6%準確率(Accuracy) ，被初步認定為「高效模型」。然而在實際上線後，風控部門發現模型幾乎無法攔截詐欺交易，且大量誤判正常交易。 經進一步檢查，發現資料極度不平衡，但模型仍以 Accuracy 作為主要優化與評估指標。 在此情境下，下列何者最適當的改善方向？ (A)持續優化 Accuracy 指標以提升整體分類正確率； (B)改用精確率(Precision)作為主要評估指標以降低誤報； (C)引入 Class Weight 或 Cost-sensitive Learning 調整損失函數； (D)移除少數類資料以提升模型穩定性與收斂速度

26. 某電商推薦系統的資料工程師在建構模型特徵時，將使用者的訂單 UNIX 時間戳記(連 續數值)轉換為「早晨(6–12 時) 、下午(12–18 時) 、夜晚(18–6 時)」三個區間類別， 以讓推薦模型更容易學習消費時段規律。在資料前處理中，這種將連續數值轉換為有 序類別的操作最精確的名稱為何？ (A)特徵離散化(Feature Discretization)； (B)特徵縮放(Feature Scaling)； (C)數據降維(Dimensionality Reduction)； (D)One-Hot 編碼(One-Hot Encoding)

27. 某 AI 產品的商業分析師在準備月度報告時，需要在單一頁面上同時呈現 1,000 位使用 者的留存率、活躍程度與付費轉換率三項指標，以讓決策層快速掌握整體趨勢。若依據 Edward Tufte 的資料視覺化原則中資料密度(Data Density)的概念，下列何者最符合 此原則的設計方向？ (A)將 1,000 筆資料分散至多張圖表(每張顯示約 100 筆)，避免單一圖表資訊過載； (B)移除所有圖例、軸標籤與輔助線等非資料墨水(Non-data Ink)，使版面最簡潔； (C)在圖表中加入大量裝飾性元素(如色塊、陰影、3D 效果)，使視覺效果更豐富； (D)在有限頁面空間中呈現盡可能多的有效資料資訊，同時維持可讀性與清楚的視覺層 次

28. 行銷團隊比較三種廣告投放管道(A／B／C)的轉換率差異，原始數據如下，A：3.2%、 B：3.8%、C：4.0%。若設計圖表時將 y 軸刻意截斷(不從 0 開始) ，造成視覺差異放 大。此做法最可能產生的問題為何？ (A)提升資料解析效率並減少認知負擔； (B)增強小幅差異的可視化辨識能力； (C)造成視覺誤導並放大實際差異感； (D)提升圖表計算準確性與數據正確性

29. 某 AI 系統的維運工程師需要在儀表板上呈現「模型推論延遲(ms)隨時間的變化趨 勢」，以便即時監控 服務水準協議(Service Level Agreement, SLA)是否達標(P99<200 ms) 。在資料視覺化的圖表類型選擇上，下列哪種圖表最適合呈現連續數值隨時間變化 的趨勢？ (A)面積圖(Area Chart)； (B)散佈圖(Scatter Plot)； (C)長條圖(Bar Chart)； (D)折線圖(Line Plot)

30. 訓練資料共 5,000 萬筆，工程師比較 Batch Size=32 與 Batch Size = 4096 的訓練表現， 發現大批次(Large Batch)雖然訓練較快，但模型泛化能力較差。從最佳化理論角度， 下列何者為此現象最合理的解釋？ (A)大批次(Large Batch)計算量過大，GPU 無法有效處理； (B)大批次(Large Batch)梯度估計更穩定，但容易收斂至局部極小值(Local Minima) ， 導致泛化能力較差； (C)小批次(Small Batch)因隨機性高，更容易發生梯度爆炸(Gradient Explosion)； (D)批次大小(Batch Size)與泛化能力無關，問題出在學習率(Learning Rate)設定

31. 某公司中，A 團隊負責信用評分模型，B 團隊負責詐欺偵測模型，兩團隊皆需要「使用 者過去 30 天交易行為」資料，但各自會進行特徵工程與後續工作。以公司整體管理角 度，下列何者為導入統一管理與共用特徵的主要目的？ (A)模型推論延遲過高，導致線上服務回應時間不符合系統即時性需求與使用體驗要 求； (B)降低跨團隊重複開發的維護成本； (C)訓練資料儲存空間不足，造成歷史資料保存與批次訓練流程效率下降問題； (D)模型版本管理混亂，導致不同模型部署與回溯分析困難並增加維運複雜度

32. 某銀行建置貸款違約預測模型，資料共 50,000 筆，其中違約樣本僅 800 筆(佔 1.6%) 。 在模型建置流程中，先對整體資料使用 SMOTE 對少數類進行過採樣，之後再進行訓 練／測試切分，並訓練輕量梯度提升機(LightGBM)模型，並以 AUC-ROC 評估模型 表現。模型在測試集的 AUC-ROC 達到 0.91，團隊認為模型表現良好，準備上線部署。 在模型審查過程中，下列何者為使測試集評估結果失真的主要原因？ (A)SMOTE 不適合用於金融違約預測場景，此類高風險業務應一律採用 class_weight 調 整損失函數，而非對資料本身進行過採樣； (B)SMOTE 的過採樣操作在訓練/測試切分之前即對全體資料執行，導致合成樣本資訊 洩漏至測試集，使 AUC-ROC 0.91 虛高而不可信； (C)AUC-ROC 在 1.6%的不平衡場景下過度樂觀，應改用 PR-AUC 作為評估指標，其餘 流程均正確； (D)LightGBM 本身已內建處理不平衡的機制，與 SMOTE 同時使用會造成少數類過度 補償，導致過多誤判

33. 某線上書店希望建立一個多類別書籍推薦模型，根據讀者的「年齡、性別、過去購書類 別偏好評分」等特徵，預測讀者下次最可能購買的書籍主題(共 8 類) 。資料已完整標 註，且資料量達數十萬筆。在模型選型上，除了預測準確率外，也需考量模型訓練效 率、可擴充性，並需支援快速訓練與線上部署。請問下列哪種方法最適合此情境？ (A)多類別羅吉斯迴歸(Multinomial Logistic Regression)； (B)支援向量機(SVM)搭配 One-vs-One； (C)K-means 分群後將群集標籤作為分類結果； (D)主成分分析(PCA)後再以最大主成分作為分類依據

115年 - 115-1 中級AI應用規劃師試題_第二科：大數據處理分析與應用#141063

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第二科：大數據處理分析與應用#136306

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目二：大數據處理分析與應用#136295