訓練資料已在 AWS Glue DataBrew 中使用 min–max 縮放進行正規化。生產推論資料在傳送至模型之前，必須以完全相同的方式進行正規化。哪種方法符合此要求？

正確答案是保留從訓練資料計算出的 min–max 正規化參數，並使用這些相同的值來正規化生產樣本。這是因為在機器學習中，訓練資料和推論資料必須以相同的方式進行預處理，以確保模型能夠正確解釋輸入。如果在推論時使用不同的正規化參數，模型可能會遇到未見過的資料分佈，導致效能下降。 其他選項是錯誤的： 將常用公開資料集的正規化統計資料應用於生產樣本：這不保證與訓練資料的正規化方式一致，因為公開資料集的統計資料可能與您的訓練資料不同。 從一批生產樣本中計算新的 min–max 範圍，並將這些值應用於正規化所有生產樣本：這會導致資料漂移，因為每次推論時正規化參數都會改變，使得模型難以保持一致的效能。 為每個單獨的生產樣本分別計算 min–max 統計資料，並使用這些每個樣本的值來正規化生產資料：這會導致每個樣本的正規化方式不同，使得模型無法從一致的特徵分佈中學習。