iPAS 考題解析
關於機器學習中的標準化（Standardization）和歸一化（Normalization），下列哪個描述「正確」？
中級 機器學習技術與應用
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- 機器學習技術與應用
- 知識主題
- 機器學習建模與參數調校
- 能力指標
- 數據準備與特徵工程（L23301）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「機器學習技術與應用」科目中的「機器學習建模與參數調校」範疇， 對應的能力指標為「數據準備與特徵工程」，涵蓋資料清洗、特徵縮放、類別編碼（One-Hot）、缺失值處理等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
關於機器學習中的標準化（Standardization）和歸一化（Normalization），下列哪個描述「正確」？
- A. 標準化將資料縮放到 [0, 1] 區間，歸一化轉換為均值 0、標準差 1
- B. 兩者對基於距離的演算法（KNN、SVM）的影響完全相同
- C. 標準化（Z-score）將特徵轉換為均值 0、標準差 1；Min-Max 歸一化將資料縮放到特定範圍（如 [0,1]） ✓ 正確答案
- D. 標準化對離群值不敏感，歸一化對離群值敏感
詳細解析
正確答案：C. 標準化（Z-score）將特徵轉換為均值 0、標準差 1；Min-Max 歸一化將資料縮放到特定範圍（如 [0,1]）
Z-score 標準化：x' = (x - μ) / σ，結果均值為 0、標準差為 1。Min-Max 歸一化：x' = (x - min) / (max - min)，結果縮放到 [0, 1]。這兩者的定義經常被混淆。Z-score 標準化對離群值相對較不敏感（使用均值和標準差），而 Min-Max 歸一化對離群值敏感（極值影響 min/max）。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 標準化將資料縮放到 [0, 1] 區間，歸一化轉換為均值 0、標準差 1 （不正確）
描述相反了：縮放到 [0,1] 是歸一化，均值 0 標準差 1 是標準化。
B. 兩者對基於距離的演算法（KNN、SVM）的影響完全相同 （不正確）
KNN 和 SVM 的決策邊界會受縮放方式影響，兩者不完全相同。
C. 標準化（Z-score）將特徵轉換為均值 0、標準差 1；Min-Max 歸一化將資料縮放到特定範圍（如 [0,1]） （正確）
標準化均值 0 標準差 1、歸一化縮放到 [0,1]，此為正確描述。
D. 標準化對離群值不敏感，歸一化對離群值敏感 （不正確）
實際上標準化（Z-score）比 Min-Max 歸一化更不受離群值影響，但此選項描述方向雖對但不如 C 精確。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。