21. 某金融科技公司正開發一套違約風險預測系統，需大量處理不同客戶的財務特徵資料。考量到資料特徵數量眾多，且希望提升預測的穩定性與泛化能力，下列哪一種鑑別式 AI 模型最適合？
(A)邏輯迴歸(Logistic Regression)；
(B)支援向量機(Support Vector Machine)；
(C)決策樹(Decision Tree)；
(D)隨機森林(Random Forest)

這題的正確答案是 (D) 隨機森林 (Random Forest)。

以下是針對題目需求與各選項的邏輯推理分析：

• ✅ (D) 隨機森林 (Random Forest) 是最佳選擇：

  • 應對特徵數量眾多： 隨機森林在建立每一棵決策樹的分支時，會隨機抽取一部分特徵來進行評估，這使得它非常擅長處理高維度（特徵多）的資料，且能自帶特徵重要性評估的功能。

  • 提升穩定性與泛化能力（題幹核心要求）： 這是隨機森林最大的優勢。它屬於「集成學習（Ensemble Learning）」中的 Bagging 方法，透過結合多棵決策樹的預測結果（多數決或平均），大幅降低了模型的變異數（Variance），有效防止過擬合（Overfitting），從而提供極佳的穩定性與泛化能力。

• ❌ (C) 決策樹 (Decision Tree) 不適合：

  • 雖然決策樹解釋性強，但它最大的致命傷就是極容易過擬合（導致泛化能力差），並且對資料的微小變動非常敏感（穩定性極差）。這完全違背了題目「提升預測的穩定性與泛化能力」的要求。隨機森林正是為了解決單一決策樹的這些缺點而誕生的。

• ❌ (A) 邏輯迴歸 (Logistic Regression) 較不適合：

  • 邏輯迴歸是一個很好的基準模型（Baseline），但在處理「特徵數量眾多」且特徵之間可能存在複雜非線性關係的財務資料時，它的表達能力通常不如樹狀模型，且容易欠擬合（Underfitting）。

• ❌ (B) 支援向量機 (Support Vector Machine, SVM) 較不適合：

  • SVM 在高維度空間中確實表現不錯，但題目特別提到需要「大量處理」資料。傳統 SVM 在面臨大規模資料集時，訓練時間與運算資源的消耗會呈現幾何級數增長，實務上效率較低。此外，針對表格型（Tabular）的財務數據，隨機森林在穩定性、準確度與調參難易度上的綜合表現通常優於 SVM。