一家線上商店使用線性迴歸來預測未來的書籍銷售量。其中一個數值特徵是 'duration' (書籍上架天數)。探索性分析顯示銷售量與上架天數之間的關係是偏斜且非線性的。哪種轉換最適合用來改進模型？

正確答案是將 duration 轉換為基於分位數的區間。當特徵與目標變數的關係呈現偏斜和非線性時，分位數分箱能有效地將連續特徵離散化，捕捉非線性關係並減少偏斜的影響，使線性模型能更好地學習。獨熱編碼適用於分類特徵，不適用於連續數值特徵。笛卡爾積轉換用於創建特徵交互，而非處理單一特徵的非線性關係。正規化（如Min-Max或Z-score）僅調整數值範圍，無法解決偏斜或非線性問題。