36. 以下何者不是探索性資料分析經常關心的議題？
(A) 資料的四分位數
(B) 資料是否有離群值
(C) 與應變數相關的自變數
(D) 資料模型的準確度

解析題目與選項：

探索性資料分析（Exploratory Data Analysis, EDA） 的目標是對數據進行初步分析，以發現數據的結構、特徵、異常值等，為後續建模和決策提供基礎。常見的 EDA 技術包括：

• 計算基本統計量（如平均數、中位數、四分位數）
• 檢查數據分佈（如直方圖、箱形圖）
• 發現異常值（outliers）
• 檢查變數之間的關係（如相關係數）

然而，EDA 主要是描述性分析，而不會關注機器學習模型的準確度。

選項分析：

(A) 資料的四分位數 ✅ (EDA 會關心)
→ 四分位數（quartiles） 是 EDA 中常用的統計量，主要用來描述數據的分佈情況，例如：

• Q1（第一四分位數）：25% 數據點以下的值
• Q2（中位數，第二四分位數）：50% 數據點以下的值
• Q3（第三四分位數）：75% 數據點以下的值
• IQR（四分位距）：Q3 - Q1，幫助檢測異常值

(B) 資料是否有離群值 ✅ (EDA 會關心)
→ EDA 會關心離群值（outliers），因為它們可能影響數據分析的結果。離群值通常使用 箱形圖（Boxplot）、Z-score、IQR 方法來檢測。

(C) 與應變數相關的自變數 ✅ (EDA 會關心)
→ 變數之間的關係 是 EDA 重要的一部分。例如：

• 計算變數之間的 皮爾森相關係數（Pearson correlation）
• 繪製 散佈圖（scatter plot） 來檢查變數之間的關聯性

(D) 資料模型的準確度 ❌ (EDA 不關心，正確答案！)
→ EDA 是探索數據的步驟，並不涉及模型的準確度（accuracy）。

• 模型準確度（accuracy） 屬於機器學習模型評估階段，而不是 EDA 的核心目標。
• EDA 主要在數據處理之前，幫助我們理解數據，而不是評估模型的表現。

正確答案：

✅ (D) 資料模型的準確度 (EDA 不關心模型的準確度，而是關心數據本身的特性！)