iPAS 考題解析某公司欲建立員工離職風險預測模型，資料集中包含「年度績效分數」、「平均每月加班時數」、「年齡」等數值型特徵。由於各特徵的數值範圍差異極大（例如績效分數 1-5、加班時數 0-80、年齡 20-65），若直接輸入至使用梯度下降的邏輯迴歸（Logistic Regression）模型，可能導致模型收斂緩慢或權重偏斜。為提升模型訓練效率與準確度，下列哪一種特徵工程方法最適合應用於這些數值特徵？

解析

正確答案：D. 數值標準化（Numerical Standardization）

當數值特徵的範圍差異極大時，梯度下降的收斂速度會受到影響，權重也可能偏斜。數值標準化（如 Z-score 或 Min-Max Scaling）將所有特徵縮放到相似的範圍，能有效改善收斂速度和模型效能。

每個選項為什麼對或錯

• A 布林轉換（Boolean Conversion）； 錯誤選項

  布林轉換將數值轉為 0/1，會丟失數值大小的資訊，不適合此場景。

• B 時間序列分解（Time Series Decomposition）； 錯誤選項

  時間序列分解用於處理時序資料的趨勢和季節性，與此場景的數值範圍問題無關。

• C One-hot 編碼（One-hot Encoding）； 錯誤選項

  One-hot 編碼用於類別變數，這些特徵已經是數值型，不需要 One-hot 編碼。

• D 數值標準化（Numerical Standardization） 正解

  數值標準化將不同範圍的特徵縮放到相似範圍，最適合解決梯度下降的收斂問題。

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。