第 三 題

1. 資料預處理 (Preprocessing)：因為神經網路對特徵數值範圍敏感，應先將各欄位數值（如 Amount、UnitPrice）進行正規化 (Normalization) 或標準化 (Standardization)，並針對 Payment 處理為數值編碼或 One-hot encoding。
2. 資料集切割 (Data Splitting)：將 10 萬筆資料分為「訓練集 (Training Set)」、「驗證集 (Validation Set)」與「測試集 (Testing Set)」。常見比例為 80% 作為訓練（含驗證），20% 作為測試。或者可切分為 70% 訓練、15% 驗證 (用於調整超參數與防範過擬合)、15% 測試。
3. 交叉驗證 (Cross Validation)：若要確保模型穩定度，可利用 K-Fold (如 K=5 或 10) 交叉驗證來訓練模型，確認模型在未看過資料上的表現是否具備泛化能力 (Generalization)。

應於輸入層設計 5個（或以上） 的神經元。 原因： 模型欲依「客戶購買行為」進行判別，輸入層應包含 Freq(頻率)、UnitPrice(單價)、Amount(總價)、Discount(折扣率)、Payment(付款方式)等特徵，而 ID (客戶編號) 為系統流水號，與購買行為無關，故不納入。

應於輸出層設計 1 個（或 2 個） 神經元。 原因： 目標為判別客戶性別 (Sex)，這是一個二元分類問題 (Binary Classification，男性或女性)。