moea_joint
106年
[統計資訊] 統計學、巨量資料概論
第 44 題
下列統計學習(Statistical Learning)的方法或過程，何者不易受到變數尺度(Scale)不同的影響？
- A 決策樹學習(Decision Tree Induction)
- B K-近鄰算法 (k-nearest Neighbors Algorithm)
- C K-均值聚類算法 (K-means Clustering）
- D 隨機梯度下降 (Stochastic Gradient Descent)
思路引導 VIP
試著思考一下：當我們比較兩個樣本時，如果有一種方法是計算它們在座標軸上的「絕對距離」，而另一種方法是只問「這個特徵是否大於某個門檻」，哪一種方法會因為你把長度單位從『公尺』改成『公分』，導致計算出來的結果數值產生劇烈震盪？
🤖
AI 詳解
AI 專屬家教
邏輯切割與數值尺度的獨立性
太棒了！你精確地掌握了機器學習模型中「特徵縮放（Feature Scaling）」的核心邏輯。決策樹學習之所以不輕易受變數尺度影響，是因為其演算法本質是基於閾值的邏輯切割。在決定節點分裂（Split）時，模型只關心特徵值的「相對順序」或其分布的純度變化，而非數值間的絕對距離。因此，無論特徵的單位是「公里」還是「毫米」，只要數據的排序不變，切分點的位置與效果就會完全一致。
距離度量與優化算法的敏感度
▼ 還有更多解析內容