13.在使用線性模型時，下列哪一種方法用來將名目（Nominal）類型資料轉 為實數（Real Number）類型資料，可以最公平的進行轉換而沒有對特定的 可能值（Possible Value）造成偏差？
(A) 直接將所有不同數值轉為單一維度的布林值，如將性別（男、女）轉為二 維向量男＝（1,0）及女＝（0,1）
(B) 依照名目（Nominal）類型資料的數值資訊轉為相對應的實數值，如將體 重（過重、一般、過輕）轉為（1, 0, -1）
(C) 直接將特徵值給予對應的實數值，如將天氣（晴、陰、雨）轉為（0, 1, 2）
(D) 依照特徵值給予範圍內隨機數值，如里程（遠、中、近）分別給予 100～ 1000（遠）、50～100（中）、0～50（近）的隨機數值

(A) 直接將所有不同數值轉為單一維度的布林值，如將性別（男、女）轉為二維向量男＝（1,0）及女＝（0,1）

解析：

當使用 線性模型 (Linear Models) 進行機器學習時，名目 (Nominal) 類型的特徵 需要轉換為數值型特徵，因為線性模型無法直接處理類別變數。

最公平且不造成偏差的方式是 獨熱編碼 (One-Hot Encoding, OHE)，即將每個類別值轉換為多維的二進制向量，這樣能避免數值大小帶來的錯誤影響。

選項分析

✅ (A) 直接將所有不同數值轉為單一維度的布林值（One-Hot Encoding, OHE） ✅最公平，正確選項

• One-Hot Encoding (OHE) 是最常見的類別數據轉換方法，適用於線性模型，且不會造成數值偏差。
• 例如，性別「男、女」可轉換為：
  • 男 → (1, 0)
  • 女 → (0, 1)
• 優點：
  • 不會產生數值大小的誤導，例如「男=1, 女=2」會讓模型誤以為「女」比「男」大，這是不合理的。
  • 這種編碼方式不會引入數值關係的偏差，適合線性模型。

❌ (B) 依照名目類型資料的數值資訊轉為相對應的實數值，如將體重（過重、一般、過輕）轉為（1, 0, -1） ❌錯誤

• 這種轉換方式會引入數值關係，但體重的類別 (過重、一般、過輕) 並不一定符合線性數值變化的關係。
• 例如，「過重=1, 一般=0, 過輕=-1」會讓模型誤以為「過重」與「過輕」在數值上是對稱的，這並不合理。

❌ (C) 直接將特徵值給予對應的實數值，如將天氣（晴、陰、雨）轉為（0, 1, 2） ❌錯誤

• 名目型 (Nominal) 數據是沒有順序關係的，但這種方法會讓模型誤以為「晴 < 陰 < 雨」有數值大小的關係，導致偏差。

❌ (D) 依照特徵值給予範圍內隨機數值，如里程（遠、中、近）分別給予 100～1000（遠）、50～100（中）、0～50（近）的隨機數值 ❌錯誤

• 隨機數值會引入不穩定性，模型無法學到穩定的數據模式。
• 例如，每次運行模型時，「遠」的數值可能不同，這會影響模型的一致性和準確性。

結論

✔ 最公平、最不會造成數值偏差的方式是 (A) One-Hot Encoding，因為它不會引入數值順序的誤導，適合線性模型。