特徵工程

在零售業進行客戶行為分析時，資料倉儲中發現多個欄位儲存相同的購買金額資訊（例如：amount_usd、total_price、transaction_value）但其單位、命名慣例及格式不一致，進而導致特徵工程階段混淆模型輸入。針對此種跨欄位語義重疊與結構冗餘問題，下列哪一種資料處理策略最合適且具實務可行性？

1. A利用資料探勘技術自動選擇資料集中對目標變數最敏感的欄位，其他欄位捨棄即可，避免過度清理干擾原始結構
2. B保留所有相似欄位，交由高階模型（如 Gradient Boosting 或 Deep Learning）自動學習特徵關聯，無需手動處理
3. C建立欄位命名標準，統一金額單位與格式，進行欄位正規化與語義合併，減少重複資訊影響特徵重要性估計
4. D將重複欄位視為類別欄位，進行 One-hot 編碼後輸入模型，以避免數值誤導模型學習過程

一家旅遊平台希望建立模型，預測顧客下次是否會再次透過該平台訂房。資料包含：顧客 ID、年齡、旅遊次數、平均花費金額、主要交通方式（火車/飛機/自駕/公車）、會員等級（普通/進階/白金）、是否為海外旅遊等。下列哪一種特徵工程方法最適合處理「主要交通方式」欄位？

1. A布林轉換（Boolean Conversion）
2. B序數編碼（Ordinal Encoding）
3. C數值標準化（Normalization）
4. DOne-hot 編碼（One-hot Encoding）

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？

1. A布林轉換（Boolean Conversion）
2. B時間序列分解（Time Series Decomposition）
3. COne-hot 編碼（One-hot Encoding）
4. D數值標準化（Numerical Standardization）

某電商公司想預測用戶是否會購買特定商品，資料中包含多種用戶屬性與行為特徵。分析師希望選出對購買結果最有預測價值的特徵，以提升模型效能。下列哪一種描述最符合監督式特徵選擇（Supervised Feature Selection）的概念？

1. A根據特徵的整體分布、變異度或資訊量進行篩選，而不直接參考目標變數
2. B評估每個特徵與目標變數之間的相關性，選擇對預測結果貢獻最大的特徵
3. C使用模型評估特徵對預測結果的重要性，並保留對目標變數影響較大的欄位
4. D將特徵透過降維方法（如 PCA）轉換為新特徵，再用於模型訓練

資料科學團隊在模型訓練前,需對數值特徵進行正規化(Normalization)或標準 化(Standardization)。為確保模型評估結果具真實性並避免資料洩漏(Data Leakage),下列何者為最適當的作法?

1. A於資料分割前,先對完整資料集計算統計量並進行標準化處理
2. B先分割訓練資料(Training Data)和測試資料(Test Data),並各自獨立計算 統計量後進行標準化
3. C先分割訓練資料(Training Data)和測試資料(Test Data),僅以訓練資料計算 統計量,再套用至測試資料
4. D僅對訓練資料(Training Data)進行標準化處理,測試資料(Test Data)保持原 始數值

某電信公司建立機器學習模型預測用戶流失風險。資料中包含多個類別型特徵 (Categorical Features),例如「資費方案類型」與「客戶地區」。為使模型能有效 使用這些特徵,下列何者最直接用於將類別型特徵轉換為模型可處理的數值格 式?

1. A資料分群 (Data Clustering)
2. B特徵交叉 (Feature Cross)
3. COne-hot 編碼(One-hot Encoding)
4. D寬深模型(Wide and Deep)

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?

1. A對數轉換 (Log Transformation)
2. B區間化(Binning)
3. COne-hot 編碼(One-hot Encoding)
4. D隨機重抽樣(Random Resampling)

某企業需分析半結構化的系統日誌（JSON格式），以提取關鍵的時序特徵供故障預測模型使用。考量日誌結構複雜且包含巢狀欄位（Nested Fields），下列哪一種策略最有效且實務可行？

1. A先將JSON 資料扁平化轉成CSV，再對欄位計算統計量（如均值、次數）作為特徵
2. B使用遞歸神經網路（RNN）直接輸入原始 JSON字串進行時序特徵抽取
3. C設計遞迴函式展開巢狀欄位，並基於時間窗口（Time Window）進行聚合與特徵萃取
4. D只保留時間戳記欄位，忽略其他巢狀內容以簡化特徵工程

某電子商務公司為開發商品評論情感分析模型，希望模型能捕捉評論中不同特徵之間的關聯影響，例如「商品價格」與「顧客滿意度」的互動效果。下列哪一種特徵工程設計方式最適合用於建立互動特徵（Interaction Features）？

1. A將單一特徵取平方
2. B對所有特徵進行對數轉換
3. C將兩個或多個特徵進行乘積或交互組合
4. D對特徵進行標準化

某生物醫學研究機構正在建構一個整合「基因序列特徵」與「電子病歷文本特徵」的疾病風險預測模型。由於高維數值特徵和語意文本特徵的性質差異顯著，請問下列哪一種特徵處理與選擇策略最為合適？

1. A將所有特徵合併為單一特徵矩陣後，使用主成分分析（PCA）進行降維，作為模型輸入
2. B採分層策略，先對基因序列特徵進行特徵選擇，再對文本特徵進行語意表示，最後將兩類特徵融合（Feature Fusion）後輸入模型
3. C將所有特徵合併後，使用隨機森林（Random Forest）的特徵重要性進行一次性排序與篩選
4. D將文本特徵轉換為簡單統計特徵（如詞頻）後與基因特徵一併建模，以降低特徵處理複雜度

某電商推薦系統的資料工程師在建構模型特徵時，將使用者的訂單 UNIX時間戳記（連續數值）轉換為「早晨（6–12時）、下午（12–18時）、夜晚（18–6時）」三個區間類別，以讓推薦模型更容易學習消費時段規律。在資料前處理中，這種將連續數值轉換為有序類別的操作最精確的名稱為何？

1. A特徵離散化（Feature Discretization）
2. B特徵縮放（Feature Scaling）
3. C數據降維（Dimensionality Reduction）
4. DOne-Hot 編碼（One-Hot Encoding）

某工程師建立房價預測模型，輸入特徵包含屋齡與距捷運站距離（公尺）。他發現距捷運站距離分布嚴重右偏，經對數（Log）轉換後模型表現明顯改善；但將同樣轉換套用於屋齡後，模型表現反而下降。下列何者為最可能的原因？

1. A屋齡與房價若呈線性關係，Log轉換反而破壞此結構
2. BLog轉換會壓縮所有特徵的變異數，導致模型失去鑑別能力
3. CLog轉換不適用於有單位的連續變數，應改用 Box-Cox
4. D兩特徵須套用相同轉換，否則尺度不一致導致梯度不穩定

在時間序列資料的特徵工程中，工程師常使用滑動窗口（Sliding Window）方法，將過去多個時間點的觀測值組合為模型輸入。下列何者為此方法的主要目的？

1. A資料增強
2. B去除資料雜訊
3. C降低特徵維度
4. D建立滯後特徵