針對以下問題，按一下想要的箭頭即可查看答案：
您正在預先處理迴歸模型的資料。需要哪些轉換作業？可複選。
將所有非數字特徵轉換成數字特徵。
答對了，這是必要的轉換作業。您無法將字串轉換為數字數字，因為您無法對字串執行矩陣乘法。
正規化數字資料。
正規化數字資料或許能幫上忙，但這項說明為選用的品質轉換。
請參考下方圖表。一開始，哪些資料轉型技巧可能最有效率？原因為何？假設您的目標是在 RoomPerPerson 和房價之間找到線性關係。
Z 分數
如果離群值並非極端情況，Z 分數就是不錯的選擇。但是，離群值極端。
剪輯
剪輯是很好的選擇，因為資料集包含極端離群值。應先修正極端離群值，再套用其他正規化。
記錄檔資源調度
如果資料會確定使用者符合電源用量分配方式，建議採用記錄檔資源調度。不過，本資料符合一般發行原則，而非權力法分配。
具有分位數邊界的特徵分塊 (特徵分塊)
分位數特徵分塊是偏移資料的絕佳方法，但在這種情況下，這會導致部分極端離群值發生誤差。此外，您希望模型學習線性關係。因此，您應保留 roomPerPerson 數字，而不是將其轉換為類別，這就是值區特徵。請改用正規化技巧。
請參考下方圖表。一開始，哪些資料轉型技巧可能最有效率？原因為何？
Z 分數
如果離群值並非極端且需要剪輯，就很適合使用 Z 分數。但事實並非如此。資料偏差應是提示。
剪輯
如果有極端離群值，裁剪功能是不錯的選擇。然而，這張圖表顯示了強力法分佈情形，而有其他正規化技巧可以有效幫助大家解決。
記錄檔資源調度
資料擴充是這裡的理想選擇，因為資料符合電源法分配情形。
具有分位數邊界的特徵分塊 (特徵分塊)
分位數資料分區是偏移資料的絕佳方法。不過，您正在尋找模型學習線性線性關係。因此，您應保留資料數字，並將資料放入值區。建議您改用正規化技巧。
請參考下方圖表。線性模型對壓縮比率和城市 mpg 之間的關係有良好的預測結果嗎？如果沒有，您可以如何轉換資料才能更好地訓練模型？
是，模型可能會找出線性關係，並產生相當準確的預測結果。
儘管模型會找出線性關係，但模型無法做出非常準確的預測。您可以嘗試在資料模擬練習中訓練這個資料集，進一步瞭解原因。
否。這個模型在縮放後可能更為準確。
您可以套用線性縮放，但壓縮比率與城市 mpg 之間的關係之間的關係也應相同。這樣不但能讓您看到兩條獨立的坡度，一種用於較低壓縮比例的點叢集，另一種則是較高的坡度。
否。發生了兩種行為。您可以在中間設定門檻，並使用值區化功能，進一步瞭解上述兩個區塊的運作情形。
答對了，請務必清楚說明原因，以及設定邊界的原因。在資料模擬練習中，您將進一步瞭解這項做法如何協助您建立更優質的模型。
對等團隊會說明他們的機器學習專案進度。他們計算了一個詞彙並離線訓練模型。不過，他們希望避免發生過時問題，所以他們現在打算在線上訓練其他模型。後續情形
模型會在新資料送達時保持最新狀態。其他團隊必須持續監控輸入資料。
雖然避免過時程度是動態訓練的主要優點，但搭配使用詞彙和離線訓練的模型會導致問題。
他們可能會發現，所使用的索引並未對應至詞彙。
答對了，向同事說明訓練/提供偏差造成的威脅，並建議他們參加 Google 的機器學習準備資料準備和功能工程課程。