一個經過清理的資料集，其特徵的尺度差異高達數個數量級。為了在生產環境中最大化預測準確度，在建立模型之前，您應該遵循哪個步驟序列？

正確的步驟是先將資料集分割成訓練集、驗證集和測試集，然後僅在訓練集上執行重新縮放。這是因為重新縮放（例如標準化或正規化）是從資料中學習轉換參數的過程。如果我們在分割資料之前對整個資料集進行重新縮放，那麼測試集和驗證集將會「看到」訓練集中的資訊，導致資料洩漏 (data leakage)，這會使模型在未見過的新資料上的表現評估不準確。因此，在訓練集上學習縮放參數後，必須將這些相同的參數應用於驗證集和測試集，以確保資料的一致性並模擬真實世界的部署情境。選項A的隨機抽樣不是必要的預處理步驟。選項C會導致資料洩漏。選項D會對每個集合應用不同的縮放參數，這會破壞資料的一致性。