您正在根據許多經濟特徵來預測未來的就業率，這些特徵的數值大小差異很大。為了防止數值較大的特徵主導模型，您在訓練前應該應用哪個預處理步驟？

正確答案是將特徵標準化，使每個特徵的平均值為 0，變異數為 1，從而消除欄位之間的尺度差異。當特徵的數值大小差異很大時，標準化（例如 Z-score 標準化）是關鍵的預處理步驟。它確保所有特徵對模型訓練的貢獻程度相似，防止數值較大的特徵主導模型，這對於許多機器學習演算法（如梯度下降優化的模型、支援向量機和 K-近鄰演算法）至關重要。 使用分位數分箱將連續值轉換為類別分箱，雖然可以處理異常值和非線性關係，但主要目的是將連續數據離散化，而非解決數值尺度差異導致的支配問題。應用笛卡爾積轉換來創建新的欄位組合，這是一種特徵工程技術，用於捕捉特徵之間的交互作用，與解決數值尺度差異無關。使用正交稀疏二元組 (OSB) 轉換是一種用於時間序列數據的特徵工程技術，與解決特徵尺度差異無關。