一家全球性的金融公司使用梯度提升迴歸模型來估計客戶信用分數。資料集包含類別欄位（例如，城市和居住狀況）和以不同單位記錄的財務欄位（例如，以美元計的餘額和以美分計的利息）。訓練準確度為 99%，但測試準確度為 75%。哪些預處理步驟能最有效地提升模型的測試效能？

訓練準確度高但測試準確度低（過度擬合）是梯度提升模型常見的問題。One-hot 編碼能有效處理類別特徵，避免模型誤解其數值順序。標準化財務數值欄位（例如，使用標準差縮放）能確保不同單位的特徵在模型訓練時具有相似的尺度，防止尺度較大的特徵主導模型。L1 regularization（Lasso）透過將不重要特徵的係數壓縮為零來實現特徵選擇，有助於簡化模型並減少過度擬合。 其他選項： Tokenize 和分箱可能導致資訊損失或不必要的複雜性。z-score 過濾異常值可能移除有用的資料點。 Label-encode 會為類別特徵引入人工的數值順序，這對梯度提升模型來說通常是不合適的。對數值欄位應用 L1 regularization 和對模型應用 L2 regularization 的說法不夠精確，L1/L2 regularization 是對模型權重而非直接對欄位應用。 對數轉換通常用於處理偏斜的數值資料，而非類別欄位。填補遺失值是必要的，但單獨這項操作不足以解決過度擬合問題。