13. 下列何者不是屬性轉換的主要目的？
(A) 轉換後可能更容易發現資料之間的關係，使沒有關係變成有關係
(B) 資料可能呈現嚴重的偏態分布，經過轉換後差異可以拉開
(C) 讓資料能夠符合模型所需要的假設，以利進行分析，例如經過轉換 後的資料呈現正態分布
(D) 能夠讓資料的可讀性更高

屬性轉換（Feature Transformation） 是指對數據進行某種變換，使其更適合進行數據分析或機器學習建模。常見的轉換方法包括 對數轉換（log transformation）、平方根轉換（square root transformation）、標準化（normalization） 及 最小-最大縮放（min-max scaling）。

主要目的是改善數據的分佈、提升建模效果、增加數據的可解釋性，但不一定會提升人類的可讀性。

選項分析：

(A) 轉換後可能更容易發現資料之間的關係，使沒有關係變成有關係 ✅
→ 這是屬性轉換的一個重要目的。例如，透過對數轉換，某些指數增長的變數可能變得線性，讓我們更容易發現變數之間的關聯性。

(B) 資料可能呈現嚴重的偏態分布，經過轉換後差異可以拉開 ✅
→ 當數據有偏態（skewness）時，例如長尾分佈（heavy-tailed distribution），透過對數轉換或 Box-Cox 轉換可以讓數據變得更接近正態分佈，使統計方法更準確。

(C) 讓資料能夠符合模型所需要的假設，以利進行分析，例如經過轉換後的資料呈現正態分布 ✅
→ 許多統計與機器學習模型假設數據服從正態分佈，例如線性回歸、ANOVA 等，因此在某些情況下，對數據進行轉換可以讓其更符合這些模型的假設，提高分析的準確性。

(D) 能夠讓資料的可讀性更高 ❌ (正確答案)
→ 屬性轉換的目標是提升數據的分析價值，而非讓數據更容易被人類閱讀。 例如，進行標準化（Z-score normalization）後的數據可能變成一串難以直觀理解的小數，但這樣的轉換能幫助機器學習模型更好地訓練。因此，提高可讀性並不是屬性轉換的主要目標。

正確答案：

(D) 能夠讓資料的可讀性更高