一位資料科學家分析了約 1,000 萬行和 10 個特徵的就業資料。收入和年齡分佈都是右偏的。哪些特徵轉換有助於校正偏度？（選擇兩項。）

對數轉換（logarithmic transformation）常用於處理右偏（正偏）資料，因為它能壓縮較大的值，使分佈更接近常態分佈，有助於模型表現。數值分箱（binning numeric values）可以將連續的數值特徵轉換為類別特徵，這有助於減少偏度對模型訓練的影響，特別是當分佈中有極端值時。交叉驗證（cross-validation）是一種模型評估技術，而非特徵轉換方法。應用高次多項式轉換（applying a high-degree polynomial transformation）通常會增加資料的複雜性，可能導致過度擬合，且不直接解決偏度問題。獨熱編碼（one-hot encoding）用於將類別變數轉換為數值形式，與處理數值特徵的偏度無關。