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」？

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）。

每個選項為什麼對或錯

• 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 錯誤選項

  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 錯誤選項

  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]） 正解

  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 錯誤選項

  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。

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。