iPAS 考題解析
KNN 和 SVM 在使用前最關鍵的前處理是什麼？
中級 機器學習技術與應用
難度：進階 ★★★
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
- 機器學習與深度學習
- 能力指標
- 常見機器學習演算法（L23202）
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「機器學習與深度學習」範疇， 對應的能力指標為「常見機器學習演算法」，涵蓋演算法技術原理、應用與優化等核心知識點。 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
KNN 和 SVM 在使用前最關鍵的前處理是什麼？
- A. Feature Scaling（特徵縮放） ✓ 正確答案
- B. 轉換為類別型特徵
- C. 缺失值補齊
- D. 隨機抽樣平衡類別
詳細解析
正確答案：A. Feature Scaling（特徵縮放）
KNN 靠距離分類，SVM 靠超平面分隔——兩者都對特徵的尺度敏感。如果不做 Feature Scaling，尺度大的特徵會主導距離計算。
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. Feature Scaling（特徵縮放） （正確）
正確。KNN 依賴距離，SVM 依賴超平面，兩者都對特徵的數值範圍敏感。特徵縮放能讓所有特徵貢獻平等，避免數值大的特徵主導模型判斷，這是最關鍵的。
B. 轉換為類別型特徵 （不正確）
錯誤。KNN 和 SVM 通常處理數值型特徵，如果原始資料是數值型，通常不會轉換為類別型。這不是它們最關鍵的前處理。
C. 缺失值補齊 （不正確）
錯誤。缺失值補齊是所有模型都需要的通用前處理步驟，但不是 KNN 和 SVM 「最關鍵」的、特別針對它們特性的前處理。
D. 隨機抽樣平衡類別 （不正確）
錯誤。類別不平衡處理是重要的，但不是 KNN 和 SVM 「最關鍵」的前處理，也不是所有情況都必須。特徵縮放對這兩種模型影響更直接。
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。
進階題備考建議
- ▶ 本題屬於進階難度，涉及技術原理的深入理解或跨領域整合應用，需要紮實的基礎。
- ▶ 進階題通常需要你綜合多個知識點才能判斷，建議建立知識圖譜，把相關概念串聯起來。
- ▶ 如果這題答錯了，建議回頭複習相關的基礎概念，確保每一層知識都沒有漏洞。
- ▶ 中級考試的進階題佔比較高，建議先把初級範圍的基礎打穩，再挑戰中級進階題。
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 iPAS 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。