術語比較

資料前處理 vs 特徵工程

Data Preprocessing vs Feature Engineering

資料前處理側重資料前處理是指在將原始資料用於機器學習模型之前，對其進行清理、轉換和整合的過程，以提高模型效能和準確性。，而特徵工程側重特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果。

逐項比較

項目	資料前處理	特徵工程
一句定義	資料前處理是指在將原始資料用於機器學習模型之前，對其進行清理、轉換和整合的過程，以提高模型效能和準確性。	特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果
比喻	資料前處理就像廚師備料 -- 在真正下廚烹飪前，先把食材洗淨、切好、去皮去骨，確保食材品質，這樣才能煮出美味的料理。	特徵工程就像大廚在準備食材 -- 原始資料是未經處理的食材，而大廚會根據食譜（模型）的需求，將食材切塊、醃製、調味（創建、轉換特徵），並選出最適合的食材（選擇特徵），這樣才能做出美味的料理（最佳模型表現）。
常見標籤	機器學習、資料處理、特徵工程、模型訓練、Python程式、統計方法、iPAS中級	特徵工程、資料處理、模型訓練
iPAS 關聯度	未知	高頻
考生最常問	為什麼需要資料前處理？	特徵工程一定要很會寫程式嗎？

內容整理自「資料前處理」與「特徵工程」兩個術語頁，不提供數值排名或單一答案，完整內容與來源請回各術語頁核對。