中五 ICT:人工智能與機器學習錯題重練十題 2026-11-20 導師備課指引 · 小學數學 中五 ICT:人工智能與機器學習錯題重練十題 第四份把最常見的十個誤解逐題改正:以訓練準確率代替測試、重數量輕標籤、以為模型自動解釋、反覆用測試集調參、層數越多越好、把相關當因果、上線後停止監控、缺失值一律填零、不平衡資料只看準確率、以及以為系統必然中立。 錯題重練:十個必改的模型誤解 本份逐題改正十個常見誤解:以為訓練準確率九成九就等於可靠,實際要看測試集;以為資料越多越好而忽略標籤品質;以為模型會自動解釋判斷;以為測試集可反覆調參;以為層數與參數越多必然越好;把相關當成因果;以為上線後不需監控;把缺失值一律填零;在不平衡資料只看準確率;以及以為人工智能輸出必然客觀中立。每一項都附正解與一句解說,便於對照溫習。 01 本卷資料(做完才看答案) 項目 內容 題數 10 建議時間 25 難度分佈 基礎 3 · 進階 3 · 挑戰 3 · 錯題重練 1 對應章節 所屬章節:中五 ICT:人工智能與機器學習 適用年級 錯題重練(10 題) 02 題目(10 題) 基礎「模型訓練準確率達九成九,實際使用一定可靠」是否正確? 基礎「資料越多越好,不必理會標籤品質」是否正確? 基礎「機器學習模型會自動解釋自己的判斷原因」是否正確? 進階「測試集可以反覆用來調參,直至分數理想」是否正確? 進階「層數越多、參數越多的模型一定更好」是否正確? 進階「兩個變數相關,就代表前者導致後者」是否正確? 挑戰「模型上線後不需要再監控」是否正確? 挑戰「缺失值一律填零最簡單可靠」是否正確? 挑戰「資料不平衡時,準確率足以評估模型」是否正確? 錯題重練「人工智能系統的輸出必然客觀中立」是否正確? 03 答案與一句解說 題號 答案 一句解說 1 不正確,須看測試集與真實資料的表現。 高訓練準確率可能只是記住了訓練樣本,未代表能泛化。 2 不正確,錯誤標籤會直接把模型教錯。 清洗與標註品質往往比單純增加數量更關鍵。 3 不正確,多數模型只輸出結果,解釋須另行分析。 可解釋性要專門設計,或借助特徵重要性等工具。 4 不正確,反覆調參會令測試集失去檢驗作用。 應另留驗證集調參,測試集只在最後使用一次。 5 不正確,模型規模要與資料量和任務難度匹配。 過大的模型在小資料上更容易過擬合,訓練成本亦更高。 6 不正確,相關不等於因果。 須以對照實驗或領域知識判斷因果方向。 7 不正確,資料分佈改變會令表現逐步下滑。 須持續監測指標,並定期以新資料重新訓練。 8 不正確,填值方式會改變結果,須按欄位意義處理。 可考慮平均數、中位數或模型填補,並記錄所用方法。 9 不正確,應同時看召回率與 F1。 全部猜多數類也可得極高準確率,實際毫無用途。 10 不正確,訓練資料中的偏見會被模型放大。 須檢查資料來源,並比較不同群體的表現差異。 04 做完之後怎樣跟進 對完答案,只重做錯的那幾題,並在錯題旁寫出錯在哪一步(公式、單位還是抄錯數)。 同一題隔兩日再做一次;兩次都對才可以移到下一份練習。 家長只需看答案欄與解說欄,不必逐題講解。 想親手計一次精確率與召回率?預約 TutorZone 導師,用 25 分鐘把十題的算式與圖表逐一講清。導師登記 → 本卷題目與答案由 TutorZone 團隊原創編寫,並非任何學校、出版社或考試局的試題;數值與答案均以程式核算。
中五 ICT:人工智能與機器學習錯題重練十題 2026-11-20 導師備課指引 · 小學數學 中五 ICT:人工智能與機器學習錯題重練十題 第四份把最常見的十個誤解逐題改正:以訓練準確率代替測試、重數量輕標籤、以為模型自動解釋、反覆用測試集調參、層數越多越好、把相關當因果、上線後停止監控、缺失值一律填零、不平衡資料只看準確率、以及以為系統必然中立。 錯題重練:十個必改的模型誤解 本份逐題改正十個常見誤解:以為訓練準確率九成九就等於可靠,實際要看測試集;以為資料越多越好而忽略標籤品質;以為模型會自動解釋判斷;以為測試集可反覆調參;以為層數與參數越多必然越好;把相關當成因果;以為上線後不需監控;把缺失值一律填零;在不平衡資料只看準確率;以及以為人工智能輸出必然客觀中立。每一項都附正解與一句解說,便於對照溫習。 01 本卷資料(做完才看答案) 項目 內容 題數 10 建議時間 25 難度分佈 基礎 3 · 進階 3 · 挑戰 3 · 錯題重練 1 對應章節 所屬章節:中五 ICT:人工智能與機器學習 適用年級 錯題重練(10 題) 02 題目(10 題) 基礎「模型訓練準確率達九成九,實際使用一定可靠」是否正確? 基礎「資料越多越好,不必理會標籤品質」是否正確? 基礎「機器學習模型會自動解釋自己的判斷原因」是否正確? 進階「測試集可以反覆用來調參,直至分數理想」是否正確? 進階「層數越多、參數越多的模型一定更好」是否正確? 進階「兩個變數相關,就代表前者導致後者」是否正確? 挑戰「模型上線後不需要再監控」是否正確? 挑戰「缺失值一律填零最簡單可靠」是否正確? 挑戰「資料不平衡時,準確率足以評估模型」是否正確? 錯題重練「人工智能系統的輸出必然客觀中立」是否正確? 03 答案與一句解說 題號 答案 一句解說 1 不正確,須看測試集與真實資料的表現。 高訓練準確率可能只是記住了訓練樣本,未代表能泛化。 2 不正確,錯誤標籤會直接把模型教錯。 清洗與標註品質往往比單純增加數量更關鍵。 3 不正確,多數模型只輸出結果,解釋須另行分析。 可解釋性要專門設計,或借助特徵重要性等工具。 4 不正確,反覆調參會令測試集失去檢驗作用。 應另留驗證集調參,測試集只在最後使用一次。 5 不正確,模型規模要與資料量和任務難度匹配。 過大的模型在小資料上更容易過擬合,訓練成本亦更高。 6 不正確,相關不等於因果。 須以對照實驗或領域知識判斷因果方向。 7 不正確,資料分佈改變會令表現逐步下滑。 須持續監測指標,並定期以新資料重新訓練。 8 不正確,填值方式會改變結果,須按欄位意義處理。 可考慮平均數、中位數或模型填補,並記錄所用方法。 9 不正確,應同時看召回率與 F1。 全部猜多數類也可得極高準確率,實際毫無用途。 10 不正確,訓練資料中的偏見會被模型放大。 須檢查資料來源,並比較不同群體的表現差異。 04 做完之後怎樣跟進 對完答案,只重做錯的那幾題,並在錯題旁寫出錯在哪一步(公式、單位還是抄錯數)。 同一題隔兩日再做一次;兩次都對才可以移到下一份練習。 家長只需看答案欄與解說欄,不必逐題講解。 想親手計一次精確率與召回率?預約 TutorZone 導師,用 25 分鐘把十題的算式與圖表逐一講清。導師登記 → 本卷題目與答案由 TutorZone 團隊原創編寫,並非任何學校、出版社或考試局的試題;數值與答案均以程式核算。