iPAS 考題解析KNN 和 SVM 在使用前最關鍵的前處理是什麼?
你的作答
在題目頁作答不會存進學習紀錄,想留下紀錄可以到題庫練習。
解析
正確答案:A. Feature Scaling(特徵縮放)
KNN 靠距離分類,SVM 靠超平面分隔:兩者都對特徵的尺度敏感。如果不做 Feature Scaling,尺度大的特徵會主導距離計算。
每個選項為什麼對或錯
-
A Feature Scaling(特徵縮放) 正解
正確。KNN 依賴距離,SVM 依賴超平面,兩者都對特徵的數值範圍敏感。特徵縮放能讓所有特徵貢獻平等,避免數值大的特徵主導模型判斷,這是最關鍵的。
-
B 轉換為類別型特徵 錯誤選項
錯誤。KNN 和 SVM 通常處理數值型特徵,如果原始資料是數值型,通常不會轉換為類別型。這不是它們最關鍵的前處理。
-
C 缺失值補齊 錯誤選項
錯誤。缺失值補齊是所有模型都需要的通用前處理步驟,但不是 KNN 和 SVM 「最關鍵」的、特別針對它們特性的前處理。
-
D 隨機抽樣平衡類別 錯誤選項
錯誤。類別不平衡處理是重要的,但不是 KNN 和 SVM 「最關鍵」的前處理,也不是所有情況都必須。特徵縮放對這兩種模型影響更直接。
答案、題目或解析有問題?回報這題