某能源公司以過去三年每小時用電資料建立需求預測模型，並以 5-fold 交叉驗證評估，但上線後誤差偏高。技術主管認為問題出在資料分割方式。下列何者最能說明使用標準 k-fold 交叉驗證的根本問題？

為了更客觀地評估 AI 模型的效能，資料科學家將資料集分成 5 等份，輪流以其中 1 等份作為測試資料，其餘 4 等份作為訓練資料，重複進行 5 次訓練與評估，最後將各次評估結果取平均。上述方法稱為下列何者？

某保險公司建置理賠風險預測模型，主管要求模型驗證流程需具備可重現性，以符合模型治理與稽核要求。若模型驗證採用包含隨機資料切分的 k-fold 交叉驗證，下列何者最能確保每次執行時樣本分割結果一致？

在調整模型超參數（Hyperparameters）時，若希望避免因過度調整參數而導致過擬合，下列哪一種做法最有效提升模型的泛化能力？

某資料科學團隊在開發預測模型時，針對多種模型設定（如學習率、樹深度、正則化係數等）進行系統化測試，希望找出在驗證資料上表現最穩定的組合。此過程最可能採用下列哪一種方法？

在進行超參數調校（Hyperparameter Tuning）時，若直接在 K-Fold 交叉驗證（Cross-Validation）的資料上同時調整模型參數並評估效能，最可能導致下列哪一種問題？

若評估一個新開發的腫瘤分類模型，其資料集中有 80%的樣本來自良性病例。若直接使用 5-fold 交叉驗證（Cross-Validation）進行模型評估，可能導致模型效能評估出現偏差，為避免此問題，下列哪一種作法最合適？

請參考附圖，下列虛擬程式碼（pseudocode）最可能是在描述何種驗證法？

某零售企業建立一個銷售預測模型，希望評估該模型在不同月份的新資料上，是否仍能維持穩定的預測表現。資料科學團隊計畫利用統計方法檢驗模型對未觀察資料的適應能力與泛化效果。下列哪一種方法最適合用於此目的？