iPAS 備考專區 登入

iPAS AI 應用規劃師題庫・中級・L23 機器學習技術與應用

iPAS 考題解析KNN 和 SVM 在使用前最關鍵的前處理是什麼?

來源標記:114年第二梯次中級科目三

你的作答

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

題目 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。