一位機器學習工程師在為分類模型準備資料時，注意到有幾個連續數值特徵的值遠大於其他特徵。領域專家確認這些特徵具有資訊性，且資料集具有代表性。然而，訓練模型的準確度卻低於預期。請問哪一個預處理步驟能最有效地提高推論準確度？

正規化（Normalization）是將特徵值縮放到特定範圍（例如 [0, 1] 或 [-1, 1]）的過程，這能有效處理不同特徵尺度差異過大的問題。當某些連續數值特徵的值遠大於其他特徵時，這些大數值特徵可能會在模型訓練中佔據主導地位，導致模型難以學習到其他特徵的影響，進而降低模型的整體準確度。正規化可以確保所有特徵對模型的貢獻更為平衡。 自助取樣（Bootstrap）是一種重採樣方法，主要用於估計統計量的變異性或構建置信區間，而非直接解決特徵尺度問題。移除值非常大的特徵會導致資訊丟失，因為領域專家已確認這些特徵具有資訊性。建立外推的合成特徵則是一種特徵工程技術，通常用於擴展資料集或捕捉非線性關係，但並非解決特徵尺度差異的首選方法。