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？
答案 （D）
核心概念
隨機森林屬於集成學習（Ensemble Learning）中的 Bagging 手法：同時訓練很多棵決策樹，每棵樹只看隨機抽樣的部分資料與部分特徵，最後用多數決或平均整合結果。這種「集體投票」能大幅降低單棵樹的變異（Variance），因此對高維度、多特徵的資料特別穩定，泛化能力也比單一模型好，還能順便算出特徵重要性。
答題技巧
快速判斷技巧：題幹出現「穩定性」「泛化能力」「特徵很多」這組關鍵字，就往集成學習（隨機森林、XGBoost）找。看到「可解釋性最好」才選邏輯迴歸或單一決策樹。
易錯陷阱：(C) 決策樹與 (D) 隨機森林只差一個字，掃太快很容易選錯。記住它們是「一棵 vs 一片森林」的關係：要穩定就要森林，要簡單易懂才選一棵樹。另外注意題目說「鑑別式 AI 模型」，四個選項都符合，這個詞只是情境包裝，不是篩選條件。