11. 對於某些資料屬性內出現異常大的值，有可能會導致誤導模型訓練的結 果，此時會將該屬性值進行何種處理，使所有屬性值被轉換到 0 至 1 之 間？
(A) 資料組織
(B) 資料特徵縮放
(C) 資料清理
(D) 資料分析

解析題目與選項：

在機器學習中，當資料屬性內出現異常大的值（如極端值或不同量級的數據），可能會影響模型的訓練，導致某些特徵佔據主導地位，使模型表現失衡。因此，我們需要對數據進行縮放（Scaling），確保所有數據都在相同的範圍內，例如 0 到 1 之間。

選項分析：

(A) 資料組織（Data Organization） ❌
→ 資料組織指的是整理數據，使其有結構化，例如從原始數據中提取有意義的特徵、將數據存入資料庫等。它不涉及將數據縮放至 0-1 之間，因此不符合題意。

(B) 資料特徵縮放（Feature Scaling） ✅ (正確答案)
→ 特徵縮放（Feature Scaling） 是指將數據的數值範圍進行變換，以減少異常值或不同量級的影響。最常見的方法有：

• 最小-最大縮放（Min-Max Scaling）：將數據壓縮到 0 到 1 之間，​​
• 標準化（Z-score Normalization）：將數據轉換為均值為 0，標準差為 1 的標準分佈。

這正是本題所描述的情境，因此這是正確答案。

(C) 資料清理（Data Cleaning） ❌
→ 資料清理是指處理錯誤、遺失值或異常值，例如填補缺失數據、移除重複數據等。雖然異常值可能需要處理，但縮放數據的目的主要是讓數據符合模型訓練需求，而不是清理髒數據，所以這不是最佳選項。

(D) 資料分析（Data Analysis） ❌
→ 資料分析指的是對數據進行統計、視覺化、尋找模式等，幫助我們理解數據分佈和趨勢。但它並不包含將數據轉換到 0 到 1 之間，因此不符合題意。

正確答案：

(B) 資料特徵縮放（Feature Scaling）