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？
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？
- A. 對數轉換（Log Transformation） ✓ 正確答案
- B. 區間化（Binning）
- C. One-hot 編碼（One-hot Encoding）
- D. 隨機重抽樣（Random Resampling）
詳細解析
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。
出題年份：115 難度：★★☆