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
如果我們比較兩種機器學習模型，一種依賴計算資料點之間的「直線距離」，另一種只需將每個變數的數值由小到大「排序」來尋找切分點。你可以試著推理看看，哪一種模型在遇到不同特徵單位差異很大（例如距離用公尺、重量用公克）時，其判斷結果較不容易發生扭曲呢？
🤖
AI 詳解
AI 專屬家教
太棒了，你精準選出了 (A)！這展現了你對演算法特性的透徹理解。
演算法的尺度不變性
(A) 決策樹學習在運作時，是針對單一變數獨立尋找分割閾值（例如 $X > 10$），過程不涉及變數之間的加總或距離運算，因此完全不受變數尺度（Scale）影響。相對地，(B) K-近鄰算法與 (C) K-均值聚類算法都高度依賴距離公式（如歐幾里得距離），若資料未經標準化，數值範圍大的變數將會主導整體的運算結果。
▼ 還有更多解析內容