Python 挑戰 ML (機器學習) -- 練習題 [1]

📝 測驗說明與操作指南

• 作答方式：請閱讀題目後，直接點擊下方您認為正確的選項（(A), (B), (C), (D)）。
• 即時判定：點擊選項後，系統會立即判定對錯。若答對，系統會顯示綠色提示；若答錯，系統會標示紅色，並為您標出真正的正確答案。
• 觀看解析：作答完成後，選項下方會自動展開詳細的觀念解析，幫助您釐清知識點。

⚠️ 注意：本測驗採用單次作答設計，點選選項後即無法更改，請確認思考後再作答。

Q1. 在實作機器學習演算法時，我們經常需要計算特徵向量 x 與權重向量 w 的內積（Dot Product）。下列哪一段 NumPy 程式碼能正確計算兩個一維陣列 x 與 w 的內積？

(A)np.multiply(x, w)(B)np.dot(x, w)(C)x * w(D)np.cross(x, w)

✅ 答對了！

❌ 答錯了！

💡 解析：np.dot 是 NumPy 中用來正確計算兩個一維陣列內積的標準函式。

Q2. 在評估迴歸模型時，均方誤差（MSE）是常用的損失函數。若 y_true 為實際標籤，y_pred 為模型預測值，兩者皆為長度相同的 NumPy 陣列。下列哪一行程式碼能正確計算 MSE？

(A)np.sqrt(np.mean((y_true - y_pred) ** 2))(B)np.mean((y_true - y_pred) ** 2)(C)np.mean(np.abs(y_true - y_pred))(D)np.sum((y_true - y_pred) ** 2)

✅ 答對了！

❌ 答錯了！

💡 解析：均方誤差（MSE）為誤差平方和的平均值，此語法正確映射了先算差的平方、再求平均的數學公式。

Q3. 當我們載入一份客戶資料集後，使用 Pandas 的 df.describe() 函式可以快速查看數值特徵的統計摘要。若某一欄位「年齡」在 describe() 的輸出中，50% 的數值為 35，這代表什麼統計意義？

(A)該欄位的平均數（Mean）為 35。(B)該欄位有 50% 的缺失值。(C)該欄位數值分佈的眾數為 35。(D)該欄位的中位數（Median）為 35。

✅ 答對了！

❌ 答錯了！

💡 解析：在統計學上，50% 的百分位數（Percentile）即代表將資料一分為二的中位數（Median）。

Q4. 在解讀 Keras 的模型摘要（Model Summary）時，參數數量的計算對於硬體評估與記憶體需求十分重要。假設某一個全連接層（Dense Layer）的輸入維度是 10，輸出維度是 5，且預設包含偏差項（Bias），則該層的總參數數量為何？

(A)15(B)55(C)60(D)50

✅ 答對了！

❌ 答錯了！

💡 解析：全連接層的參數數量公式為「(輸入維度 + 1) * 輸出維度」，其中的 1 即為偏差項。因此 (10 + 1) * 5 = 55。

Q5. 在深度學習模型中，為了解決過擬合（Overfitting）問題，我們常會在 Keras 實作中加入 Dropout(0.5) 層。關於這行程式碼的實務意義，下列敘述何者正確？

(A)在測試（預測）階段，隨機丟棄 50% 的輸入資料以加速推論。(B)在每次訓練迭代（Epoch）中，隨機將該層 50% 的神經元輸出設為 0。(C)將學習率（Learning Rate）在訓練到一半時降低 50%。(D)將所有神經元的權重值直接減半。

✅ 答對了！

❌ 答錯了！

💡 解析：Dropout 會在訓練階段以指定機率隨機丟棄（設為0）神經元的輸出，以此強迫模型不依賴單一特徵，學習更強健的表示。

Q6. 在實作遷移學習（Transfer Learning）時，我們通常會使用預訓練模型（如 VGG16）並凍結其底層特徵萃取層，只訓練我們自己接上的分類層。在 Keras 中，下列哪一行程式碼能正確凍結特定的網路層 base_model，使其在訓練過程中不更新權重？

(A)base_model.trainable = False(B)base_model.freeze() = True(C)base_model.train(False)(D)base_model.requires_grad = False

✅ 答對了！

❌ 答錯了！

💡 解析：將模型層的 trainable 屬性設為 False，可阻止該層在反向傳播時計算梯度並更新權重，完成權重凍結。

Q7. 在機器學習專案中，對特徵進行標準化（Standardization）是避免模型受不同尺度影響的關鍵。使用 Scikit-learn 的 StandardScaler 時，為了避免「資料洩漏（Data Leakage）」，下列哪一種作法是實務上的最佳實踐？

(A)僅對訓練集進行 fit_transform，測試集不需要進行任何轉換就直接輸入模型。(B)對訓練集與測試集分別獨立呼叫 fit_transform 以確保各自的平均值皆為 0。(C)先將訓練集與測試集合併，整體使用 fit_transform 轉換後再重新分割。(D)先使用 fit_transform 轉換訓練集，再使用同一個 scaler 的 transform 轉換測試集。

✅ 答對了！

❌ 答錯了！

💡 解析：這是標準防洩漏的做法。訓練集負責計算並記住均值與標準差，測試集僅依賴訓練集的參數進行轉換，以模擬完全未知的真實資料。

Q8. 進行資料前處理前，我們需要檢查資料集中是否存在缺失值（Missing Values）。在 Pandas 中，下列哪一個函式組合最適合用來快速計算每一欄（Column）的缺失值總數？

(A)df.hasna().total()(B)df.dropna().count()(C)df.isnull().sum()(D)df.fillna(0).sum()

✅ 答對了！

❌ 答錯了！

💡 解析：isnull() 會將遺漏值轉換為 True（數值1），非遺漏值轉換為 False（數值0），搭配 sum() 可以精準加總出每一欄包含的缺失值總數。

Q9. 為了降低資料維度並消除雜訊，我們決定使用主成分分析（PCA）。若我們希望 PCA 轉換後，能夠動態決定主成分數量以剛好保留原始資料中 95% 的變異量，在 Scikit-learn 中應如何正確設定 PCA 物件的參數？

(A)PCA(n_components=0.95)(B)PCA(variance_ratio=0.95)(C)PCA(keep_info='95%')(D)PCA(n_components=95)

✅ 答對了！

❌ 答錯了！

💡 解析：在 Scikit-learn 的 PCA 中，當 n_components 設為小於 1.0 的浮點數時，演算法會自動判斷需幾個主成分才能解釋指定比例（如 95%）的變異量。

Q10. 為了使用 Seaborn 進行視覺化比較，有時我們需要將「寬格式（Wide Format）」的 DataFrame 轉換為「長格式（Long Format）」。在 Pandas 中，下列哪一個函式最適合執行這項轉換，例如將散落在各欄的多個「季度銷售額」打平合併為「季度」與「銷售額」兩個對應欄位？

(A)pd.melt()(B)pd.pivot_table()(C)df.transpose()(D)df.groupby()

✅ 答對了！

❌ 答錯了！

💡 解析：pd.melt() 專門用於將多欄資料「融化」轉換為兩欄式（變數名稱與數值）的長格式，這對於適配 Seaborn 的繪圖邏輯尤為重要。

Q11. 在 Keras 中建構多類別分類模型（例如區分貓、狗、鳥）時，若目標標籤（Label）在資料前處理階段已經被轉換為獨熱編碼（One-Hot Encoding），例如 [0, 0, 1]，我們應該在 model.compile() 中選擇哪一種損失函數（Loss Function）？

(A)mean_squared_error(B)binary_crossentropy(C)sparse_categorical_crossentropy(D)categorical_crossentropy

✅ 答對了！

❌ 答錯了！

💡 解析：當標籤採用 One-Hot 編碼的多維矩陣形式時，categorical_crossentropy 是相對應且標準的多類別分類損失函數。

Q12. 當我們使用 Scikit-learn 的 cross_val_score 進行 K 折交叉驗證時，若傳入 cv=5 參數，下列關於其演算法運作機制的描述何者正確？

(A)將資料集平分為 5 份，輪流使用其中 1 份作為驗證集，其餘 4 份作為訓練集，最終回傳 5 次效能分數的陣列。(B)將資料集平分為 5 份，僅隨機取其中 1 份進行訓練，並在剩餘的 4 份上進行預測驗證。(C)訓練模型 5 次，每次隨機抽取 5% 的資料作為測試集，並不保證樣本不會重複被抽為測試集。(D)將模型內的 5 個候選超參數組合，各自訓練一次並比較結果。

✅ 答對了！

❌ 答錯了！

💡 解析：cv=5 代表 5 折交叉驗證，演算法會確保每一份資料都有一次機會成為驗證集，另外四次成為訓練集，這是評估模型泛化穩定度的標準做法。

Q13. 邏輯迴歸模型與神經網路的二元輸出層中，常使用 Sigmoid 函數將線性數值轉換為介於 0 與 1 之間的機率。下列哪一段 NumPy 程式碼能正確實作數學上的 Sigmoid 函數 f(x) = 1 / (1 + e^(-x))？

(A)1 / (1 + np.exp(-x))(B)np.exp(x) / (1 + np.exp(-x))(C)1 / (1 + np.log(-x))(D)1 / (1 - np.exp(x))

✅ 答對了！

❌ 答錯了！

💡 解析：np.exp 是 NumPy 計算歐拉數（Euler's number）指數 e 的正確方法，此語法完美映射了數學公式，並能針對整個陣列向量化運算。

Q14. 在探索式資料分析（EDA）階段，若我們想比較不同「產品類別」（類別變數）在「銷售額」（數值變數）上的分佈範圍、中位數差異以及是否含有離群值（Outliers），最適合使用哪一種 Seaborn 繪圖函式？

(A)sns.lineplot()(B)sns.boxplot()(C)sns.scatterplot()(D)sns.countplot()

✅ 答對了！

❌ 答錯了！

💡 解析：boxplot（箱型圖）利用四分位數完美封裝了資料的分佈特徵，能同時在一張圖上比較多個類別的集中趨勢與異常離群值。

Q15. 當我們嘗試用 Scikit-learn 的 LinearRegression().fit(X, y) 訓練簡單線性迴歸模型時，若特徵 X 只有一個變數（為一維 NumPy 陣列），常會遇到「Expected 2D array, got 1D array instead」的錯誤。我們應如何使用 NumPy 修改 X 的形狀來修復此問題？

(A)X.flatten()(B)X.transpose()(C)X.ravel()(D)X.reshape(-1, 1)

✅ 答對了！

❌ 答錯了！

💡 解析：Scikit-learn 預期輸入特徵 X 是一個二維矩陣 (n_samples, n_features)。使用 reshape(-1, 1) 會保持樣本數不變，但強制為其增加一個特徵維度（轉為單列的矩陣），成功解決報錯。

Q16. 為了確保模型評估的公正性與可重現性，我們經常使用 train_test_split 劃分訓練與測試資料。若希望在專案討論中，每次執行程式碼時，資料切分洗牌（shuffle）的結果都能保持一模一樣，我們應該設定哪一個參數？

(A)test_size=0.2(B)stratify=y(C)random_state(D)shuffle=False

✅ 答對了！

❌ 答錯了！

💡 解析：random_state 能設定虛擬亂數產生器的種子（Seed），只要給定相同的整數值，就能保證每次隨機切分的結果完全一致，是實驗重現的關鍵參數。

Q17. 為了避免神經網路過度擬合（Overfitting），實務上常會在 Keras 訓練過程中加入 EarlyStopping 回呼機制。在 EarlyStopping 的設定中，參數 patience=5 代表什麼意義？

(A)當監控的指標（如驗證集損失）連續 5 個 epoch 沒有改善時，即自動停止訓練。(B)每次驗證集效能出現下降時，即自動減少學習率 5%。(C)忽略前 5 個 epoch 的訓練結果，不進行任何效能監控。(D)強制規定模型最多只會訓練 5 個 epoch 就會自動停止。

✅ 答對了！

❌ 答錯了！

💡 解析：patience（耐心值）決定了我們願意容忍模型幾個 epoch 效能不再進步才終止訓練。這樣既能防止過擬合，又不會因為單次的效能震盪而過早結束。

Q18. 在建構機器學習流程時，若直接將前處理步驟（如填補缺失值、標準化）和模型訓練分開寫，在進行交叉驗證（CV）時非常容易導致資料洩漏（因為評估集偷偷參與了總體的標準化運算）。為了解決這個問題，Scikit-learn 提供了下列哪一個物件來串接這些步驟？

(A)Pipeline(B)ColumnTransformer(C)FeatureUnion(D)GridSearchCV

✅ 答對了！

❌ 答錯了！

💡 解析：Pipeline 可以將資料前處理與預測模型打包成單一物件。在交叉驗證的每一折中，它會確保僅用當下的訓練折擬合前處理參數，徹底避免測試集資料洩漏。

Q19. 假設資料表中「性別」欄位為字串型態的「Male」與「Female」，許多機器學習模型（如神經網路、線性迴歸）無法直接處理非數值的字串。在 Pandas 中，哪一種方法可以最直觀、最快將其轉換為模型可接受的獨熱編碼（One-hot encoding）格式的虛擬變數（Dummy variables）？

(A)df['性別'].to_numeric()(B)pd.to_datetime(df['性別'])(C)pd.get_dummies(df['性別'])(D)df['性別'].astype(int)

✅ 答對了！

❌ 答錯了！

💡 解析：pd.get_dummies() 能自動識別類別型變數，並將其快速展開為多個 0 和 1 的布林/數值特徵欄位，是進行獨熱編碼最便捷的 Pandas 方法。

Q20. 在評估分類模型時，classification_report 是一個非常實用的 Scikit-learn 報告工具。當其輸出的某類別「Recall（召回率）」數值非常低時，在風險較高的商業情境上（例如疾病檢測、詐騙偵測）通常意味著什麼嚴重問題？

(A)模型產生了大量的「假陽性（False Positive）」，將許多正常樣本頻繁誤判為該類別。(B)該類別的樣本數在訓練集中佔比過大，導致模型過度傾向預測該類別。(C)模型整體的準確率（Accuracy）極高，可以安心部署上線。(D)模型漏報了大量該類別的真實樣本，產生許多「假陰性（False Negative）」。

✅ 答對了！

❌ 答錯了！

💡 解析：召回率衡量的是「實際有問題的樣本中，被正確抓出多少」。數值低代表許多患病者被判定為健康而漏診，這在醫療或風控上代價極高。