解析：
One-hot 編碼是用來將類別型特徵轉換為數值的方法，不適用於處理數值型的離群值。將數值離群值轉為類別特徵會破壞原始資料的數值意義，無法正確處理離群值問題。
搜尋意圖： 如果你在找「常態分佈 是什麼」或「常態分佈 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 常態分佈是一種連續機率分佈，其機率密度函數呈鐘形曲線，平均數、中位數和眾數相等，數據集中在平均值附近。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看範例考題與延伸比較，把概念轉成可作答的判斷。
你有沒有注意過，很多自然現象都會圍著平均值上下波動？ 你可以把它想成大多數人都靠近中間，只有少數人特別高或特別矮的那種鐘形分佈。 常態分佈是統計裡最重要的分佈之一，很多測量誤差和自然變異都接近它。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
常態分佈 vs 均勻分佈 常態分佈：中間多、兩邊少 均勻分佈：每個區間機會差不多 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
常態分佈 vs 偏態分佈 常態分佈：左右對稱 偏態分佈：一邊拖尾比較長 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
大多數值靠中間，少數值在兩邊。
實際案例
身高 成年人的身高常在平均值附近聚集，極端高或極端矮都少。
量測誤差 儀器每次量到的值會微微晃動，常接近常態分佈。
算法與應用
常態分佈由平均數和標準差決定形狀。 很多統計方法之所以好用，就是因為中央極限定理讓它們很常接近常態。 如果資料明顯偏斜，就不能硬當成常態。
中英對照與常見說法
| 中文 | 英文 | 備註 |
|---|---|---|
| 常態分布 | normal distribution | 台灣統計教材的標準譯法 |
| 常態分佈 | normal distribution | 同上，「佈」與「布」兩種寫法都通行 |
| 正態分布 | normal distribution | 中國大陸用語 |
| 高斯分布 | Gaussian distribution | 同一個東西，工程與機器學習文獻常用這個名字 |
| 標準常態分布 | standard normal distribution | 平均 0、標準差 1 的那一個特例 |
| 鐘形曲線 | bell curve | 口語說法，指它的形狀 |
讀論文時要注意：Gaussian 與 normal 完全同義，作者用哪一個純粹是習慣。但 Gaussian process（高斯過程）是另一個更進階的概念，不要看到 Gaussian 就當成常態分布。
為什麼常態分布到處都是
原因是中央極限定理（Central Limit Theorem）：大量獨立隨機因素加總起來，總和的分布會趨近常態分布，不管每個因素本身是什麼分布。
身高受到很多基因與環境因素共同影響，量測誤差是很多微小干擾疊加的結果，所以它們都接近常態。這不是巧合，是加總這個動作造成的。
幾個關鍵性質：
完全由兩個參數決定，平均數 μ 決定中心位置，標準差 σ 決定胖瘦。 左右對稱，所以平均數、中位數、眾數三者相等。 68-95-99.7 法則：落在 μ ± 1σ 內約 68%，μ ± 2σ 約 95%，μ ± 3σ 約 99.7%。
最後這一條是實務上最常用的，Z 分數判離群值、品質管制的管制圖、信賴區間的計算，底層都是它。
但要提醒一件事：很多真實資料並不常態。收入、城市人口、網頁流量都是明顯右偏的長尾分布，硬套常態的方法會得到錯誤結論。用之前先畫直方圖或做常態性檢定。
情境判斷
Q1（直覺題）： 你量很多次同一個人的身高，結果大多在平均附近，這像什麼分佈？
常態分佈。
Q2（判斷題）： 如果資料一邊很長尾，還能直接當常態嗎？
不一定，得先看偏態和尾巴長度。
常見問題
標準常態分佈是什麼？
就是平均數 0、標準差 1 的常態分佈。
它一定出現在自然界嗎？
不是，但很多獨立誤差加總後會接近它。
為什麼機器學習常看到它？
因為很多模型、評估和誤差分析都會用到。
範例考題
某保險公司建立 AI 理賠金額預測模型。歷史理賠資料經檢定後呈近似常態分佈，但仍存在少數極端高額案件。資料科學團隊在不破壞整體分佈特性的前提下，規劃進行離群值處理。下列何者最不適當？
- A. 依統計準則（如 Z-score 或 IQR）評估後，再決定是否調整或處理極端值
- B. 採用截尾（Trimming）處理極端值，以提升模型穩定性
- C. 使用 One-hot 編碼（One-hot Encoding）將離群值轉換為類別特徵以改善數值穩定性 ✓ 正確答案
- D. 結合領域知識評估其合理性，再決定保留或修正