某公司欲建立員工離職風險預測模型，資料集中包含「年度績效分數」、「平均每月加班時數」、「年齡」等數值型特徵。由於各特徵的數值範圍差異極大（例如績效分數 1–5、加班時數 0–80、年齡 20–65），若直接輸入至使用梯度下降的邏輯迴歸（Logistic Regression）模型，可能導致模型收斂緩慢或權重偏斜。為提升模型訓練效率與準確度，下列哪一種特徵工程方法最適合應用於這些數值特徵？
答案 （D）
核心概念
梯度下降對特徵尺度非常敏感。當各特徵的數值範圍差好幾個量級（1–5 vs 0–80），損失函數的等高線會被拉成又扁又長的橢圓，梯度下降只能在裡面來回震盪，收斂速度大幅變慢，權重也會偏向數值範圍大的特徵。標準化（Standardization，轉成平均 0、標準差 1）把所有特徵拉到同一個尺度，就能解決這個問題。
答題技巧
快速判斷技巧：題幹出現「數值範圍差異大」「收斂緩慢」「梯度下降」任一組合，答案就是標準化或正規化。這是最好認的送分題型之一。
易錯陷阱：要跟第 41 題對照著記——那題是類別欄位選 One-hot，這題是數值欄位選標準化。同一份考卷會用相似的選項組合考不同欄位型態，作答時務必先確認欄位是「數值」還是「類別」。