15. 當您在處理一批大型房地產交易資料時，發現某些數值型特 徵如房屋面積和房價等各樣本數值分佈偏斜不對稱。為了提升模型的效能及預測的精準度，您打算對這些特徵進行轉換。針對這類數據分佈偏斜的問題，下列哪一種調整方法最為適合？
(A) 獨熱編碼(One-Hot Encoding)，將數值型特徵轉換 為類別型特徵後進行編碼
(B) 正規化(Normalization)，將所有數據按比例縮放至 一定範圍，例如[0, 1]區間中
(C) 對數變換(Logarithmic Transformation)，對數據進 行對數處理
(D) 主成份分析(Principal Components Analysis, PCA)， 透過降維以簡化數據結構，並盡可能保留原數據的 變異性

(C) 對數變換 (Logarithmic Transformation)

解析：

當數值型特徵如房屋面積和房價的分佈偏斜不對稱（通常是右偏分佈，skewed distribution），模型的效能可能會受到影響，因為大部分機器學習模型（如線性回歸）假設輸入數據為接近正態分佈。此時，常見的解決方法是對數變換 (Log Transform)，因為它可以：

• 減少數據的偏斜程度，使其更接近正態分佈
• 降低極端值（outliers）的影響
• 讓數據在對數尺度下表現得更線性，提高模型效果

為何其他選項不適合？

• (A) 獨熱編碼 (One-Hot Encoding) ❌

  • 適用於類別型特徵，但房價、面積等是連續數據，不應該用獨熱編碼。

• (B) 正規化 (Normalization) ❌

  • **Normalization（最小-最大縮放 Min-Max Scaling）**適合將數據壓縮到 [0, 1] 範圍，但不能解決數據偏斜的問題。例如，極端值仍然會影響數據的分佈。

• (D) 主成份分析 (PCA) ❌

  • PCA 主要用於降維，在特徵數量過多的情況下減少維度，而不是修正數據的偏斜性。