iPAS AI 應用規劃師初級 115 年第三次 科一 第 36 題 詳解

115 年第三次 科一 人工智慧基礎概論

某銀行的信用評分模型須向主管機關說明各項資料對評分結果的影響力。分析師採用排列特徵重要性（Permutation Feature Importance）方法，逐一打亂單一特徵的數值後重新測試模型表現。下列敘述何者最符合此方法判斷特徵重要性的原則？

1. A必須先計算該特徵與信用評分結果的線性相關係數，數值越高代表越重要

   線性相關係數只看單一線性關聯，非本方法依據。

2. B打亂後模型的預測誤差完全不變，代表該特徵對模型越重要

   誤差不變代表模型幾乎沒用到該特徵，是不重要。

3. C打亂某特徵的數值後，若模型預測誤差增加越多，代表該特徵對模型越重要（正確答案）

   打亂後誤差增加越多，代表模型越依賴該特徵。

4. D特徵打亂順序後，必須將模型搭配新資料重新訓練，才能判斷其重要性

   此法在既有訓練好的模型上評估，不需重新訓練。