12.下列哪一種類型資料，適合使用資料增益（Information Gain, IG）進行特 徵選取（Feature Selection）？
(A) 擁有大量不同數值的資料特徵
(B) 名目（Nominal）的資料特徵
(C) 非離散化的數值特徵
(D) 連續型的數值

(B) 名目（Nominal）的資料特徵

解析：

資料增益 (Information Gain, IG) 是一種常用的特徵選取 (Feature Selection) 方法，主要基於熵 (Entropy) 來衡量某個特徵對於分類結果的重要性。

IG 最適用於 離散型類別資料 (Categorical Data)，例如名目 (Nominal) 資料。

選項分析

❌ (A) 擁有大量不同數值的資料特徵 ❌不適合

• 若特徵值是連續數值，且不同值數量過多，IG 可能會傾向選擇那些擁有最多唯一值的特徵，但這不代表它是最有價值的特徵。
• 此時應該考慮使用卡方檢定 (Chi-square Test) 或 F 值 (ANOVA F-score) 來進行特徵選取。

✅ (B) 名目（Nominal）的資料特徵 ✅適合

• IG 主要用於處理類別型 (Categorical) 資料，如名目數據，例如：
  • 「天氣」特徵：{晴天、雨天、陰天}
  • 「顧客類別」：{VIP, 普通, 新客}
• 名目數據是離散型數據，因此適合 IG 作為特徵選取方法。

❌ (C) 非離散化的數值特徵 ❌不適合

• IG 主要用於離散數據，對於未離散化的數值特徵 (如年齡、收入)，IG 不適用。
• 若要處理連續數值特徵，通常需要先進行離散化 (Discretization)，或者使用其他方法，如 Gini 指數 (Gini Index) 或 F-score。

❌ (D) 連續型的數值特徵 ❌不適合

• IG 不適合直接處理連續數據，因為它是基於離散化的熵計算，必須先將連續數據轉換為離散區間 (Binning/Discretization)，才可使用 IG 進行特徵選取。
• 如果數據是連續型，可以使用 Mutual Information (互信息) 或 ANOVA F-score 來選取特徵。

結論

✔ 最適合使用資料增益 (Information Gain) 進行特徵選取的選項是 (B) 名目（Nominal）的資料特徵，因為 IG 主要用於離散型類別數據的特徵選取。