iPAS 考題解析某電商公司欲利用顧客行為資料建立消費預測模型，其中「會員等級」欄位包含「一般、白金、黑卡」三種類別。若模型採用梯度提升樹（Gradient Boosting Tree）演算法，資料科學家在進行特徵編碼時應特別注意下列何種情況？

解析

正確答案：B. 直接使用標籤編碼（Label Encoding）可能使模型誤判類別間存在順序關係，導致特徵重要性偏誤

對於「一般、白金、黑卡」這種名義類別，Label Encoding若以0、1、2表示，梯度提升樹可能誤以為存在0<1<2的順序關係，造成特徵重要性偏誤。若類別確實有序（如消費等級），則Label Encoding合理。

每個選項為什麼對或錯

• A 應優先採用獨熱編碼（One-Hot Encoding），以減少類別之間的相依性與記憶體使用量 錯誤選項

  One-Hot Encoding雖避免假序順，但對梯度提升樹而言類別數少時並非必要，且會增加維度。

• B 直接使用標籤編碼（Label Encoding）可能使模型誤判類別間存在順序關係，導致特徵重要性偏誤 正解

  Label Encoding的假序順問題對無序類別確實可能造成特徵重要性偏誤，此為正確風險說明。

• C 使用目標編碼（Target Encoding）會自動消除過擬合（Overfitting）風險 錯誤選項

  目標編碼（Target Encoding）可能引入資料洩漏（data leakage），並非自動消除過擬合。

• D 若類別數量較少，建議先使用主成份分析（Principal Component Analysis, PCA）進行降維 錯誤選項

  PCA用於數值特徵降維，不適用於類別變數編碼前處理。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。