阿摩線上測驗
4. 在資料清理過程中，下列何者「不適合」用來找出極端值（outlier）或雜訊（noisy）資料？
(A) 盒鬚圖法（box plot）
(B) 漢佩爾辨識法（Hampel identifier）
(C) 標準化分數法（standardization）
(D) 迴歸係數正規化法（regularized regression）
答案：登入後查看
統計： A(0), B(3), C(2), D(8), E(0) #3219388
統計： A(0), B(3), C(2), D(8), E(0) #3219388
詳解 (共 1 筆)
hchungw
#6332743
(D) 迴歸係數正規化法（Regularized Regression）
❌ 不適合找出極端值（本題答案）
- 正則化迴歸（Regularized Regression，如 Lasso、Ridge） 主要用於防止模型過擬合，而非專門設計來找出異常值：
- Lasso Regression：透過 L1 正則化 讓不重要的變數係數趨近於零，進行變數選擇（Feature Selection）。
- Ridge Regression：透過 L2 正則化 讓所有變數的權重縮小，以避免過擬合。
- 適用場景：
- 模型建模與變數選擇，而非異常值偵測。
結論
✅ 適合找出異常值的選項（正確方法）：
- (A) 盒鬚圖法（Box Plot）
- (B) 漢佩爾辨識法（Hampel Identifier）
- (C) 標準化分數法（Standardization, Z-score）
❌ 不適合找出極端值的選項（答案）：
- (D) 迴歸係數正規化法（Regularized Regression）（主要用於避免過擬合，而非異常值檢測）
? 本題正確答案：「(D)」
0
0
