3. 下列哪一項「不」是資料前處理的步驟？
(A) 資料清理（Data Cleaning）
(B) 資料整合（Data Integration）
(C) 資料建模（Data Modeling）
(D) 資料變形（Data Reshaping）

(C) 資料建模（Data Modeling） ❌不屬於資料前處理的步驟

解析：

資料前處理 (Data Preprocessing) 是機器學習和數據分析的重要步驟，目的是清理、轉換和準備數據，以便提升模型的準確性和效能。前處理的主要步驟包括資料清理、資料整合、資料變形等。

選項分析

✅ (A) 資料清理（Data Cleaning） ✅ 屬於資料前處理

• 目標是處理缺失值、異常值、重複數據，確保數據品質。
• 常見方法：
  • 移除或填補遺缺值 (Missing Values Imputation)。
  • 移除重複數據 (Duplicate Removal)。
  • 修正不一致數據 (Data Consistency Checking)。

✅ (B) 資料整合（Data Integration） ✅ 屬於資料前處理

• 合併來自多個來源的數據，確保數據一致性。
• 常見場景：
  • 不同資料庫的整合 (如 SQL 合併)。
  • 去除重複的屬性 (Duplicate Attributes)。
  • 標準化不同數據格式。

❌ (C) 資料建模（Data Modeling） ❌不屬於資料前處理

• 資料建模是機器學習的核心步驟，不是前處理。
• 建模 (Modeling) 主要是指選擇演算法、訓練模型、調整超參數、評估效能，例如：
  • 訓練線性回歸、決策樹、神經網路等模型。
  • 進行交叉驗證 (Cross-validation) 和超參數調整 (Hyperparameter Tuning)。

✅ (D) 資料變形（Data Reshaping） ✅ 屬於資料前處理

• 目標是將數據轉換成適合分析或建模的結構。
• 常見方法：
  • 正規化 (Normalization) / 標準化 (Standardization)。
  • 資料轉置 (Transpose) / 重新塑形 (Reshape)。
  • 特徵工程 (Feature Engineering)。

結論

✔ 「不屬於資料前處理的步驟」的選項是 (C) 資料建模（Data Modeling），因為建模是機器學習的主要階段，而非數據預處理的一部分。