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？
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？
- A. 布林轉換（Boolean Conversion）；
- B. 時間序列分解（Time Series Decomposition）；
- C. One-hot 編碼（One-hot Encoding）；
- D. 數值標準化（Numerical Standardization） ✓ 正確答案
詳細解析
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。
出題年份：114 難度：★★☆