資料科學團隊在模型訓練前，需對數值特徵進行正規化（Normalization）或標準化（Standardization）。為確保模型評估結果具真實性並避免資料洩漏（Data Leakage），下列何者為最適當的作法？

Question

(A) 於資料分割前，先對完整資料集計算統計量並進行標準化處理
(B) 先分割訓練資料（Training Data）和測試資料（Test Data），並各自獨立計算統計量後進行標準化
(C) 先分割訓練資料（Training Data）和測試資料（Test Data），僅以訓練資料計算統計量，再套用至測試資料
(D) 僅對訓練資料（Training Data）進行標準化處理，測試資料（Test Data）保持原始數值

Accepted Answer

正確答案：(C) 先分割訓練資料（Training Data）和測試資料（Test Data），僅以訓練資料計算統計量，再套用至測試資料

測試資料的角色是模擬「模型上線後從沒見過的新資料」。因此任何從測試資料算出來的資訊，都不該回流到訓練流程中——包括平均數與標準差這種看似無害的統計量。正確流程是：先切分資料，只用訓練集算出平均數與標準差（fit），再把這組參數套用到訓練集與測試集上做轉換（transform）。這就是 scikit-learn 中 fit_transform 只對訓練集用、測試集只用 transform 的原因。

資料科學團隊在模型訓練前，需對數值特徵進行正規化（Normalization）或標準化（Standardization）。為確保模型評估結果具真實性並避免資料洩漏（Data Leakage），下列何者為最適當的作法？

核心概念