第 二 題

1. 退貨與否：符號型 (Nominal)。適合的相似度計算方式為「簡單匹配係數(Simple Matching)」，若兩筆資料相同則距離為0(相似度為1)，不同則距離為1(相似度為0)。
2. 婚姻狀況：符號型 (Nominal)。適合的計算方式同上為「簡單匹配係數」。
3. 信用等級：次序型 (Ordinal)。具備等級順序(低、中、高)，可先將其轉換為數值排名(如1, 2, 3)，再計算標準化後的級距差異，公式為 |Rank1 - Rank2| / (總等級數 - 1)。

k-近鄰算法 (kNN, k-Nearest Neighbors Algorithm) 是一種基於實例的機器學習演算法 (Instance-based learning)，可用於分類與迴歸。其基本運作原理是：當給定一個未知的測試樣本時，演算法會透過預先定義好的距離或相似度衡量方式（如歐幾里得距離），計算該樣本與訓練資料集中所有樣本的距離，並挑選出距離最近（最相似）的 k 個訓練樣本（即 k 個近鄰）。最後，依據這 k 個近鄰的類別進行多數決投票（分類問題）或數值平均（迴歸問題），以此決定該測試樣本的預測結果。

為使各欄位權重一致，對所有特徵進行距離標準化 (介於 0 到 1 之間)，綜合距離 D = 區配差(退貨) + 匹配差(婚姻) + 正規化差(信用) + 正規化差(月薪)。 定義轉換：

• 信用等級：低=1, 中=2, 高=3。最大差異=2。