第 一 題

正規化的主要目的是消除資料中不同特徵欄位之間因單位（如公分與公斤）或數值尺度差異過大所造成的影響。若未正規化，數值範圍較大的特徵會在計算歐幾里得距離時主導結果，導致模型產生偏誤。此外，正規化能加快機器學習演算法在最佳化時的收斂速度。

常用的 3 種正規化方法如下：

1. 最小最大正規化（Min-Max Normalization）：將原始資料的數值經過線性轉換，縮放到一個特定範圍（通常是 0 到 1 之間），公式為：$X_{norm} = \frac{X - X_{min}}{X_{max} - X_{min}}$。
2. Z 分數標準化（Z-score Standardization）：利用資料的平均值與標準差，將資料轉換為平均數為 0、標準差為 1 的分布，公式為：$X_{std} = \frac{X - \mu}{\sigma}$，此法適用於資料中有離群值的情況。