iPAS 考題解析某零售業者建立顧客行為預測模型，資料集中包含「年消費金額」、「平均單筆交易金額」及「會員年資」等數值型特徵。資料分析顯示，部分金額特徵呈現高度偏態分布，少數樣本的數值顯著高於多數觀測值。為降低極端值對模型學習穩定性的影響，下列哪一種特徵工程方法最適合？

解析

正確答案：A. 對數轉換（Log Transformation）

對數轉換能有效壓縮高度偏態分布的資料範圍，使極端值的影響降低，讓資料分布更接近常態。這是處理右偏分布數值特徵最常用的特徵工程方法。

每個選項為什麼對或錯

• A 對數轉換（Log Transformation） 正解

  對數轉換壓縮偏態分布的範圍，降低極端值影響，最適合此場景（正確答案）。

• B 區間化（Binning） 錯誤選項

  區間化將數值分成區間，會損失數值精度，不是最佳選擇。

• C One-hot 編碼（One-hot Encoding） 錯誤選項

  One-hot 編碼用於類別特徵，不適合處理數值型特徵的偏態問題。

• D 隨機重抽樣（Random Resampling） 錯誤選項

  隨機重抽樣是資料取樣方法，不是特徵轉換方法。

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。