經濟部產業人才能力鑑定 巨量資料分析師 經典題庫

監督式學習主要分為兩大類任務：迴歸 (Regression) 和 分類 (Classification)。它們最根本的區別在於預測的目標變數的類型：
(A) 正確。迴歸模型的目標是預測一個連續的數值（例如房價、溫度、銷售額）。分類模型的目標是預測一個離散的類別標籤（例如「是/否」、「貓/狗/鳥」、「垃圾郵件/非垃圾郵件」）。
(B) 錯誤。處理遺缺值的能力取決於具體的演算法，而不是任務類型（迴歸或分類）。例如，有些決策樹類的演算法（可用於迴歸和分類）可以較好地處理遺缺值，而像線性迴歸、邏輯迴歸、SVM 通常需要在使用前對遺缺值進行處理。
(C) 錯誤。迴歸模型和分類模型都可以用於時間序列數據（例如預測未來的數值或未來的狀態類別），也都可以用於非時間序列數據。
(D) 錯誤。計算速度沒有絕對的定論，它取決於具體的演算法、數據量、特徵數量、超參數設定等多種因素。例如，簡單的線性迴歸可能比複雜的支持向量機分類快，但也可能比簡單的樸素貝氏分類慢。
因此，最主要的區別方式是目標變數的類型。

(A) 正確。迴歸分析的核心是研究一個或多個自變數（預測變數）如何影響一個因變數（目標變數），並建立數學模型來描述這種關係。
(B) 正確。這是迴歸分析中變數的標準稱謂。
(C) 正確。如果只有一個自變數，稱為簡單迴歸或一元迴歸 (Simple Regression)。如果有多個（兩個或以上）自變數，稱為多元迴歸 (Multiple Regression)。
(D) 錯誤。迴歸分析的目的是預測一個目標變數的值，這需要使用帶有已知目標變數值（標籤）的數據進行模型訓練。因此，迴歸分析是典型的監督式學習 (Supervised Learning) 方法，而不是非監督式學習。
因此，錯誤的敘述是(D)。

該專案的目標是預測「房價」，這是一個連續的數值，因此屬於迴歸問題。數據包含高維特徵。
(A) 羅吉斯迴歸：主要用於分類問題，不適用於預測連續數值。
(B) 決策樹：可以用於迴歸問題 (Regression Tree)。單個決策樹可能容易過度擬合 (Overfitting)，尤其是在高維數據上。通常使用集成方法如隨機森林 (Random Forest) 或 梯度提升樹 (Gradient Boosting Tree) 來提高穩定性和準確性。
(C) K-近鄰演算法 (KNN): 也可以用於迴歸問題（預測值是 K 個最近鄰居目標值的平均值）。但在高維數據中，距離度量可能變得不那麼有意義（維度災難 Curse of Dimensionality），且計算成本較高。
(D) 支援向量迴歸 (SVR): 是支持向量機 (SVM) 對迴歸問題的應用。它的主要思想是找到一個函數，使得最多數量的數據點落在該函數的某個邊界（ε-tube）內，同時盡量平坦化。SVR 對高維數據表現良好，並且可以通過核函數處理非線性關係。對於具有高維特徵的迴歸問題，SVR 是一個強大且常用的選擇。

雖然 (B) 和 (C) 也能做迴歸，但考慮到高維特徵這個條件，SVR 通常是一個更穩健和有效的選擇。 因此，SVR 最適合此項專案。

決策樹 (Decision Tree) 是一種常見的監督式學習模型，其特點包括：
(A) 正確。決策樹透過一系列的條件判斷（分裂節點）來劃分數據，這種層級結構自然能夠捕捉到特徵之間的交互作用和非線性關係，而不需要像線性模型那樣顯式地添加交互項或多項式項。
(B) 正確。決策樹的分裂是基於單個特徵的閾值（對於數值特徵）或類別歸屬（對於類別特徵），它不依賴於特徵之間的距離計算。因此，它對特徵的尺度不敏感，通常不需要進行標準化或正規化預處理。
(C) 正確。一些決策樹演算法（如 C4.5, CART 的某些實現）具有處理遺缺值的能力。例如，在分裂時可以將含有遺缺值的樣本按比例分配到子節點，或者將遺缺值視為一個特殊的類別進行處理。
(D) 錯誤。決策樹模型的主要優點之一就是其高可解釋性 (Interpretability)。樹狀結構直觀地展示了一系列的決策規則，從根節點到葉節點的路徑代表了一條清晰的分類邏輯，容易被人類理解和解釋。相較於像神經網路或SVM 等「黑盒子」模型，決策樹是典型的「白盒子」模型。
因此，最可能是錯誤的敘述是(D)。

極端值 (Extreme Value) 或 異常值 (Outlier) 以及雜訊 (Noise) 是指資料集中顯著偏離大部分數據點的數值或錯誤數據。其產生的原因通常包括：
(A) 數據輸入錯誤：人為輸入時的打字錯誤、單位錯誤等。
(B) 測量儀器出錯：感測器故障、儀器校準問題或環境干擾導致的測量誤差。
(C) 人為故意謊報：在問卷調查等情境中，受訪者可能故意提供不實或誇大的數據。
(D) 資料的傳輸方式（電子郵件 vs. 隨身碟）本身不應影響數據的內容或產生極端值/雜訊，除非在傳輸過程中發生了檔案損毀（這比較罕見且通常會導致無法讀取，而非單純產生極端值）。傳輸方式與數據內容的準確性沒有直接關聯。
其他原因還可能包括抽樣錯誤、事件本身的罕見性（真實但極端的事件）等。
因此，資料的傳送方式不是產生極端值或雜訊的主要原因。

處理遺失值的常用方法包括：
(A) 刪除法 (Deletion): 移除包含遺失值的觀測（列）或移除遺失比例過高的特徵（欄）。這是常用手段之一。
(B) 單一補值法 (Single Imputation): 使用平均數、中位數、眾數或四分位數等統計量來填補遺失值。這是常用手段之一。
(C) 前向填充 (Forward Fill) 或 後向填充 (Backward Fill): 將前一筆或後一筆非遺失的值填入。這種方法通常僅適用於具有時間順序或邏輯順序的資料（如時間序列），且假設相鄰值相似。對於一般的橫斷面資料，直接用前一筆（排序無意義或任意時）的值填補通常是不恰當的，會引入人為的模式。因此，這不被視為一種普適的、標準的遺失值處理手段。
(D) K-近鄰插補法 (KNN Imputation): 找到與包含遺失值的樣本最相似的 K 個鄰居，然後使用這些鄰居在該特徵上的值（例如平均數或中位數）來填補遺失值。這是一種較複雜但常用的模型補值方法。
因此，將前一筆資料的值填入不是處理遺失值的普適手段。

題目描述的過程是將原始的、結構性較弱的半結構化資料（HTML）通過解析提取關鍵資訊，並利用詮釋資料（描述資料的資料，如標籤、欄位名）將其轉換為結構化或更有組織的形式。這個過程的核心是賦予資料結構和意義，使其易於管理和分析。
(A) 資料擴增 (Data Augmentation): 通常指在已有數據基礎上生成新的、相似的數據，以增加訓練數據量，常見於影像處理和NLP。
(B) 資料組織 (Data Organization): 指的是將資料整理、分類、建立結構，使其有序化且易於存取和使用的過程。題目描述的解析和利用詮釋資料正是資料組織的體現。
(C) 資訊分類 (Information Classification): 通常指將資訊根據其內容或屬性歸入預定義的類別中，例如將新聞分類為體育、政治、娛樂等。
(D) 模型預測 (Model Prediction): 指使用訓練好的機器學習模型對新數據進行預測。
因此，題目描述的過程最符合資料組織的概念。

假設一個標準的垂直盒鬚圖 (Box Plot) 中標示了以下部分：
- 箱子的上邊界：通常是第三四分位數 (Q3)，即 75 百分位數。
- 箱子中間的線：中位數 (Median, Q2)，即 50 百分位數。
- 箱子的下邊界：通常是第一四分位數 (Q1)，即 25 百分位數。
- 從箱子向上延伸的線（上鬚）的末端：通常是上圍籬，代表資料範圍內的最大值（不包括離群值），常見定義為 Q3 + 1.5 * IQR 或樣本最大值（取較小者）。
- 從箱子向下延伸的線（下鬚）的末端：通常是下圍籬，代表資料範圍內的最小值（不包括離群值），常見定義為 Q1 - 1.5 * IQR 或樣本最小值（取較大者）。
- 落在圍籬之外的點：離群值 (Outlier)。

根據這些定義，對應選項（假設①②③④分別代表圖中某個標示）：
(A) ④ 通常用於標示離群值，此敘述可能正確。
(B) ③ 可能指向上鬚末端，代表上圍籬，此敘述可能正確。
(C) ② 可能指向箱子上邊界，代表 Q3 (75 百分位數)，此敘述可能正確。
(D) ① 可能指向箱子內的中位數線。標準的盒鬚圖通常不直接標示平均值。雖然有些變種的盒鬚圖會額外標示平均值（例如用一個叉號），但中位數線代表的是中位數而非平均值。因此，將 ① (假設是中位數線) 說成是平均值是不正確的。
故最可能不正確的敘述是(D)。

處理遺缺值時需要根據資料特性和分析目的選擇合適方法：
(A) 全部刪除 (Listwise/Casewise Deletion): 即刪除任何包含遺缺值的觀測記錄。這是一種簡單的方法，但在遺缺值比例較高時，會導致樣本量大量減少，損失過多資訊，並可能引入偏差（如果遺缺不是隨機發生的）。因此，「無須考慮遺缺值比例，全部刪除」是不正確且不推薦的做法。通常需要評估遺缺比例和模式後再決定是否刪除。
(B) 眾數補值 (Mode Imputation): 對於類別型資料，使用出現次數最多的類別（眾數）來填補遺失值是一種常見且合理的方法。
(C) 模型補值 (Model-based Imputation): 利用其他變數建立預測模型（如迴歸、KNN等）來估計並填補遺失值。這是一種較複雜但常用的方法。
(D) 插值法 (Interpolation): 根據已知數據點的值來推算遺失點的值，常用於時間序列數據或具有自然順序的數據。例如線性插值、多項式插值等。這是一種可能的處理手段。
因此，不正確的做法是(A)。

向老闆報告業績狀況，通常需要強調相對變化或趨勢，而百分比增長率是衡量相對變化的常用指標。
計算增長率：
增長金額 = 今年業績 - 去年業績 = 120萬 - 100萬 = 20萬
增長率 = (增長金額 / 去年業績) * 100% = (20萬 / 100萬) * 100% = 0.2 * 100% = 20%

分析選項：
(A) 直接報告了核心的相對增長情況，簡潔明瞭。
(B) 報告了絕對增長值，也是正確的資訊，但不如百分比增長率更能體現相對變化幅度。
(C) 僅報告了今年的絕對業績，沒有與去年比較，缺乏變化資訊。
(D) 從去年的角度描述差異，不如直接說今年的增長情況直觀。

在商業報告中，使用百分比增長率來描述業績變化通常被認為是更專業和更具洞察力的表達方式。因此，選項(A)是比較合適的報告方式。

(A) 折線圖 (Line Chart): 將數據點按時間或其他順序連接起來，非常適合展示連續變數隨時間變化的趨勢、波動和模式。
(B) 圓餅圖 (Pie Chart): 主要顯示靜態的組成比例，不適合展示時間趨勢。
(C) 直方圖 (Histogram): 主要顯示單一變數在某個時間點或區間內的分佈情況，而非時間變化趨勢。
(D) 盒鬚圖 (Box Plot): 主要顯示數據的分佈摘要（五數摘要、離群值），通常用於比較不同組別的分佈，而非時間趨勢。
因此，折線圖最適合用來顯示資料隨時間的變化趨勢。

常用的統計圖 (Statistical Chart/Graph) 包括用於視覺化數據分佈、關係、比較、組成或趨勢的圖形。
(A) 長條圖 (Bar Chart): 常用於比較不同類別的數值或頻率。
(B) 折線圖 (Line Chart): 常用於顯示數據隨時間的變化趨勢。
(C) 流程圖 (Flowchart): 主要用於表示一個過程、系統或演算法的步驟和決策流程，使用標準化的符號。它不是用來直接呈現統計數據本身的特性（如分佈、趨勢、比例）。
(D) 圓餅圖 (Pie Chart): 常用於顯示各部分佔整體的比例。
其他常用的統計圖還包括直方圖、散佈圖、盒鬚圖等。
因此，流程圖不是常用的統計圖。

敘述統計 (Descriptive Statistics) 和摘要統計 (Summary Statistics) 旨在總結和描述資料的主要特徵。
(A) 抽樣方法（如簡單隨機、系統、分層抽樣）是獲取用於分析的代表性樣本的技術，屬於數據收集或抽樣理論範疇，雖然與後續的統計分析相關，但描述的是抽樣過程本身。敘述正確。
(B) 次數分配表和直方圖是整理和視覺化數據分佈的常用方法，屬於敘述統計的一部分。敘述正確。
(C) 平均數、中位數、眾數是衡量數據中心位置或集中趨勢的關鍵摘要統計量。敘述正確。
(D) 比較兩筆（或多筆）資料的分散程度通常使用標準差、變異數、全距、四分位距等指標。而相關係數是用來衡量兩個變數之間線性關係的強度和方向，不是用來比較單一資料集分散程度的指標。因此，此敘述不正確。
故不正確的敘述是(D)。

(A) 傅立葉轉換 (Fourier Transform): 是一種數學變換，能夠將一個時域 (Time Domain) 的訊號（如時間序列資料）分解成不同頻率的正弦波和餘弦波的疊加，從而得到該訊號在頻域 (Frequency Domain) 的表示。這使得我們可以分析訊號的頻率組成成分。這是正確的。
(B) 特徵值加權：這個詞語比較模糊，可能指根據特徵值（如 PCA 中的特徵值）來對特徵進行加權，與轉換到頻域無關。
(C) 資料降維 (Dimensionality Reduction): 指減少資料特徵數量的方法（如 PCA, LDA），目的是簡化模型、去除雜訊或方便視覺化，不一定涉及頻域轉換。
(D) 隨機抽樣 (Random Sampling): 從母體中選取一部分樣本的方法，與頻域轉換無關。
因此，將時間序列資料轉換到頻域空間的標準方法是傅立葉轉換。

將屬性值轉換到特定範圍（如 0 到 1）的過程稱為資料特徵縮放 (Data Feature Scaling) 或正規化/標準化。
(A) 資料組織：指整理、分類、建立資料結構，使其有序化。
(B) 資料特徵縮放：包含多種技術，如最小-最大正規化 (Min-Max Scaling) 可以將數據線性地縮放到 [0, 1] 區間，標準化 (Standardization) 或 Z分數轉換則將數據轉換為平均數為 0、標準差為 1 的分佈。題目描述的「轉換到 0 至 1 之間」正是最小-最大正規化的目標，屬於特徵縮放的範疇。這樣做可以減輕異常大值對某些模型（如基於距離的模型）的影響。
(C) 資料清理 (Data Cleaning): 指處理數據中的錯誤、不一致、遺失值、異常值等問題的過程。雖然特徵縮放可能是清理異常值影響的一種方式，但特徵縮放本身是一個更具體的技術名稱。
(D) 資料分析 (Data Analysis): 指對資料進行檢查、清理、轉換和建模，以發現有用資訊、得出結論和支持決策的過程。特徵縮放是資料分析過程中的一個步驟。
因此，使屬性值轉換到 0 至 1 之間的處理屬於資料特徵縮放。

將連續型數值變數（如 BMI 值）轉換為離散的類別變數（如過輕、正常、過胖、肥胖）的過程，通常稱為分箱 (Binning) 或 分級 (Discretization)。
(A) 二值化：將數據轉換為只有兩種可能值的形式，通常是 0 和 1，基於某個閾值。
(B) 分級 (Binning): 將連續變數的數值範圍劃分成若干個區間（箱子或級別），並將落在同一區間的值歸為同一類別。這與題目描述的將 BMI 值分為不同等級的操作完全相符。
(C) 捨入：將數值近似到最接近的某個精度（如整數、小數點後幾位）。
(D) Log 轉換：對數值取對數，常用於處理偏斜分佈，但不會將其轉換為類別。
因此，胖虎正在做的是分級（或分箱）。

屬性轉換 (Attribute Transformation) 或 特徵轉換 (Feature Transformation) 在資料預處理中有多種目的：
(A) 有時原始變數之間的關係可能是非線性的，透過轉換（如取對數、平方根、平方等）可能將其線性化，使得線性模型更容易捕捉到關係。或者透過組合特徵發現新的關係。這個敘述部分正確，但「使沒有關係變成有關係」的說法不太精確，更像是「使潛在的、不易發現的關係變得更明顯或符合模型假設」。
(B) 正確。對於偏態分佈（尤其是右偏）的數據，使用如對數轉換可以壓縮較大值的範圍，使得數據分佈更對稱，減小極端值的影響，有時可以說是「拉開」了原本擠在低值區域的數據點之間的相對差異（在對數尺度上）。
(C) 正確。許多統計模型（如線性迴歸、ANOVA）對數據分佈有假設（例如常態性、變異數同質性）。進行屬性轉換（如 Box-Cox 轉換）可以使數據更符合這些假設，從而提高模型的有效性和可靠性。
(D) 錯誤。屬性轉換的主要目的是為了改善模型的效能、滿足模型假設或揭示數據結構，而不是直接為了提高數據本身的「可讀性」。事實上，轉換後的數據（例如取對數後的值）對人類來說可能更不直觀、可讀性更低，但對模型來說可能更有效。
因此，(D) 不是屬性轉換的主要目的。

特徵選擇是從原始特徵集合中選出一個子集，以用於模型訓練的過程。其標準方法主要分為三類（如 Q7 (113年) 所述）：
1. 過濾方法 (Filter Methods): 基於特徵本身的統計特性進行篩選，獨立於學習演算法。
2. 包裝方法 (Wrapper Methods): 使用特定的學習演算法來評估特徵子集的效能。
3. 嵌入方法 (Embedded Methods): 特徵選擇過程嵌入在模型訓練過程中。

(A), (B), (C) 都是特徵選擇的標準分類方法。
(D) 抽樣方法 (Sampling Methods) 是指從數據集中選取一部分觀測樣本（行）的方法，例如隨機抽樣、分層抽樣、過抽樣 (Oversampling)、欠抽樣 (Undersampling) 等。它處理的是數據的行，而不是數據的列（特徵）。因此，抽樣方法不屬於特徵選擇的方法。
故答案是(D)。

(A) 錯誤。通常情況下，資料特徵（維度）個數越多，模型的計算複雜度會越高，所需的運算時間和記憶體資源也會越多，而不是越短。
(B) 正確。維度災難 (Curse of Dimensionality) 指的是隨著維度（特徵數量）的增加，數據變得極度稀疏，基於距離的計算（如 KNN）效果下降，模型更容易過度擬合，且需要指數級增長的數據量才能維持相同的數據密度。同時，特徵越多通常模型結構也越複雜。
(C) 正確。這是特徵選擇 (Feature Selection) 的主要目的之一。去除不相關或冗餘的特徵可以降低模型複雜度、減少過度擬合風險、縮短訓練時間，並可能提高模型的泛化能力和效能。
(D) 正確。許多機器學習模型（特別是基於樹的模型如隨機森林 (Random Forest)、梯度提升樹）能夠提供特徵重要性 (Feature Importance) 評估，這可以作為特徵選擇的依據。
因此，不正確的敘述是(A)。

(A) 正確。巨量資料分析的一個重要目標就是從海量數據中發現隱藏的模式、趨勢和關聯性，以獲得洞察。
(B) 錯誤。這是一個非常危險且錯誤的觀念。"**垃圾進，垃圾出**" (Garbage In, Garbage Out, GIGO) 的原則在巨量資料時代依然適用，甚至更為重要。數據的品質和真實性 (Veracity，巨量資料的 V 特性之一) 是分析結果可靠性的基礎。忽略數據真實性，即使使用再先進的技術，得到的結果也可能是誤導性或無意義的。
(C) 正確。這是可擴展性 (Scalability) 的體現，是巨量資料處理平台（如 Hadoop, Spark）的關鍵特性。能夠根據需要水平擴展（增加更多機器）來處理不斷增長的數據和計算需求。
(D) 正確。量級 (Volume) 是巨量資料最直觀的特性，指數據量非常龐大，達到 TB、PB 甚至 EB 級別。
因此，不正確的敘述是(B)。

MapReduce 是一種分散式計算編程模型，主要包含 Map 和 Reduce 兩個階段，以及中間的 Shuffle 和 Sort 階段。
1. Map 階段：處理輸入的鍵值對，產生中間結果，這些中間結果也必須是鍵值對 (key-value pair)。(A) 正確。
2. Shuffle & Sort 階段：框架自動進行的階段，發生在 Map 階段之後、Reduce 階段之前。它負責將 Map 階段輸出的所有鍵值對按照鍵進行排序和分組，並將相同鍵的值傳送給同一個 Reducer。
3. Reduce 階段：接收具有相同鍵的值列表（集合），對這些值進行匯總或處理，產生最終的輸出結果，通常也是鍵值對。(B) 和 (C) 正確。

(D) 錯誤。整理階段 (shuffle) 是發生在 **Map 階段之後，Reduce 階段之前**，而不是在 Map 階段之前。
因此，不正確的敘述是(D)。

巨量資料的特性通常用 V 來概括，常見的有：
- 量級 (Volume): 指數據量巨大。
- 速度 (Velocity): 指數據產生和處理的速度快。
- 多樣性 (Variety): 指數據來源和類型多樣，包括結構化、半結構化和非結構化數據。
- 真實性 (Veracity): 指數據的準確性和可信度。
- 價值 (Value): 指從數據中提取有用價值的潛力。

(A) 描述的是量級 (Volume)。
(B) 正確。處理非結構化資料（如網站資料、文本、圖像、音視頻）和半結構化資料是巨量資料面臨的主要挑戰之一，也是多樣性 (Variety) 特性的核心體現。
(C) 描述的是速度 (Velocity) 或價值 (Value) 的結果（快速獲得洞察）。
(D) 描述的是量級 (Volume) 和可能的速度 (Velocity)（每天產生）。
因此，(B) 最符合描述多樣性的特性。

巨量資料技術架構（如 Hadoop, Spark 生態系統）的核心設計理念是為了應對巨量資料的挑戰，其關鍵需求包括：
(A) 可擴展性 (Scalability): 能夠透過增加更多標準硬體節點（水平擴展）來線性地提升儲存和處理能力，以應對不斷增長的數據量。這是必要需求。
(B) 分散式處理 (Distributed Processing): 將大型任務分解成小任務，分配到多個計算節點上並行處理，以縮短處理時間。這是核心能力。
(C) 錯誤。單一節點資料庫（傳統的單機資料庫）在儲存容量和處理能力上都有限，無法應對巨量資料的規模。巨量資料架構的核心正是分散式，將數據和計算分佈到多個節點上，而不是依賴單一節點。
(D) 容錯性 (Fault Tolerance): 由於系統由大量節點組成，節點故障是常態。架構必須能夠在部分節點故障時自動恢復，保證數據不遺失且計算能繼續進行（例如 HDFS 的數據複製和 MapReduce/ Spark 的任務重試機制）。這是必要需求。
因此，(C) 不是巨量資料技術架構應具備的需求，反而與其設計理念相悖。

HDFS (Hadoop Distributed File System) 的文件寫入特性：
(A) 錯誤。HDFS 遵循 一次寫入、多次讀取 (Write-Once-Read-Many, WORM) 的模型。<它不支持多個寫入者同時寫入同一個文件，也不支持對已寫入文件的隨機修改。
(B) 錯誤。文件一旦寫入並關閉後，通常不允許在任意位置進行修改。可以進行追加 (Append) 操作（在文件末尾添加數據），但不能修改中間內容。
(C) 正確。為了實現高容錯性，HDFS 會將每個數據區塊 (Block) 複製多份（稱為副本，Replica），預設的副本數量是 3 份。
(D) 錯誤。為了保證容錯性和數據可用性，HDFS 會將一個區塊的多個副本分散存放在不同的數據節點 (DataNode) 上，並且會考慮機架感知 (Rack Awareness) 策略，盡量將副本分散到不同的機架上，以防止單一節點或單一機架故障導致數據遺失。
因此，正確的敘述是(C)。

盒鬚圖主要展示數據的五數摘要及其相關資訊：
- 中位數 (Median, Q2): 箱內線。
- 第一四分位數 (Q1): 箱子下邊界。
- 第三四分位數 (Q3): 箱子上邊界。
- 最小值 (Minimum): 通常由下鬚末端表示（如果沒有離群值，就是樣本最小值；如果有離群值，則是下圍籬 Q1 - 1.5*IQR 或樣本最小值中的較大者）。我們可以從圖中大致判斷最小值的位置。
- 最大值 (Maximum): 通常由上鬚末端表示（如果沒有離群值，就是樣本最大值；如果有離群值，則是上圍籬 Q3 + 1.5*IQR 或樣本最大值中的較小者）。我們可以從圖中大致判斷最大值的位置。
- 全距 (Range): 可以由最大值減去最小值得到，因此可以從盒鬚圖間接得知（或至少估計其範圍）。
- 四分位距 (Interquartile Range, IQR): Q3 - Q1，即箱子的長度，可以直接看出。

(C) 變異數 (Variance) 或其平方根標準差 (Standard Deviation): 衡量數據相對於平均數的離散程度。雖然我們可以從 IQR 或全距大致判斷數據的離散程度，但盒鬚圖不直接顯示平均數，也無法直接計算或讀取變異數或標準差的精確值。
因此，無法從盒鬚圖得知的是變異數。

根據機率論的基本定義和獨立事件的性質：
- 事件獨立的定義：若事件 X 和 Y 獨立，則 P(X∩Y) = P(X)P(Y)。這意味著一個事件的發生不影響另一個事件發生的機率。
- 條件機率的定義：P(X|Y) = P(X∩Y) / P(Y) (假設 P(Y) > 0)。
- 機率加法法則：P(X∪Y) = P(X) + P(Y) - P(X∩Y)。

分析選項：
(A) 這是互斥事件 (Mutually Exclusive Events) 的加法法則（若 X 和 Y 互斥，則 P(X∩Y) = 0）。對於獨立事件，除非 P(X) 或 P(Y) 為 0（題目已排除），否則 P(X∩Y) = P(X)P(Y) > 0。因此，對於獨立事件，P(X∪Y) = P(X) + P(Y) - P(X)P(Y)。所以選項 (A) 的等式通常不成立（除非在特定條件下 P(X)P(Y)=0，但已被題目排除）。
(B) 若 X 和 Y 獨立，則 P(X|Y) = P(X∩Y) / P(Y) = [P(X)P(Y)] / P(Y) = P(X)。這正是獨立性的直觀意義：Y 事件的發生不影響 X 事件發生的機率。此敘述正確。
(C) 由條件機率定義，P(X|Y)P(Y) = P(X∩Y) 且 P(Y|X)P(X) = P(Y∩X) = P(X∩Y)。因此，P(X|Y)P(Y) = P(Y|X)P(X) 恆成立（只要條件機率有定義），無論事件是否獨立。此敘述正確（這是貝氏定理的基礎形式）。
(D) 這是獨立事件的定義。此敘述正確。
因此，不正確的敘述是(A)。

相關係數 (r) 衡量線性關係的強度和方向。
(A) 錯誤。r = -1 代表完全負相關，表示數據點完美地落在一條斜率為負的直線上。r = 0 才代表無線性相關。
(B) 錯誤。r = 0 代表無線性相關。如果數據點落在同一條水平直線上，表示 Y 不隨 X 變化，此時相關係數確實為 0。但反過來不一定成立，r=0 不代表數據點一定落在水平直線上（例如可能呈 U 型分佈）。
(C) 錯誤。相關不等於因果。即使 r > 0 （正相關），也不能直接推斷 X 導致 Y 或 Y 導致 X。
(D) 正確。r = 1 代表完全正相關，表示所有數據點完美地落在一條斜率為正的直線上，即可以用 Y = aX + b 且 a > 0 的形式精確描述。
因此，正確的敘述是(D)。

(A) 變異係數 (CV) = (標準差 / 平均數) * 100%。它是一個相對離散程度的指標，用於比較不同單位或不同平均數的數據集的離散程度。<由於計算涉及標準差和平均數，它只適用於量化變數（數值型變數）。敘述正確。
(B) 四分位距 (IQR) = Q3 - Q1。它是衡量數據中間 50% 範圍的離散程度的指標。計算四分位數需要數據能夠排序，因此適用於量化變數或順序型類別變數。對於名目型類別變數（無法排序），無法計算四分位數或四分位距。因此，說 IQR 可由（所有）類別變數的次數分佈計算是不正確的。
(C) 熵 (Entropy) 是資訊理論中的概念，可以用來衡量一個系統或變數的不確定性或混亂程度。對於類別變數，熵可以衡量其次數分佈的異質性（或稱多樣性、不純度）。當所有觀測都屬於同一類別時，熵最小（為 0）；當各類別分佈越均勻時，熵越大。敘述正確。
(D) 異質性和集中度是相對的概念。當異質性最低時（例如所有數據都集中在一個值或一個類別），集中度就最高。反之，當異質性最高時（例如數據在所有可能值或類別上均勻分佈），集中度就最低。敘述正確。
因此，不正確的敘述是(B)。

邏輯斯迴歸 (Logistic Regression) 模型假設因變數（通常是 0 或 1）服從伯努利分佈 (Bernoulli Distribution)，其參數（成功的機率 p）透過 logistic 函數（或稱 sigmoid 函數）與自變數的線性組合相關聯。模型的目標是找到一組迴歸係數，使得觀測到樣本數據的可能性（概似 likelihood）最大化。
(A) 最小平方法 (Least Squares Method): 主要用於線性迴歸，目標是最小化預測值與實際值之間殘差的平方和。
(B) 牛頓法 (Newton's Method) 或相關的梯度下降法 (Gradient Descent): 是數值優化算法，可以用來求解最大概似估計問題中無法直接求得解析解的情況。<它們是用來找到最大概似估計值的工具，而不是估計方法本身。
(C) 馬可夫鏈蒙地卡羅 (Markov Chain Monte Carlo, MCMC): 是一類用於從複雜機率分佈中抽樣的算法，常用於貝氏統計推斷，而非直接求解邏輯斯迴歸係數（儘管可用於估計其後驗分佈）。
(D) 最大概似估計法 (Maximum Likelihood Estimation, MLE): 是統計學中一種估計模型參數的標準方法。其目標是找到能使觀測數據出現的聯合機率（概似函數）最大化的參數值。邏輯斯迴歸的係數通常就是透過最大概似估計法求得的。
因此，求解邏輯斯迴歸係數的方法是最大概似估計法。

題目描述的情境涉及：
1. 對部分客戶進行產品推薦。
2. 獲取了這些客戶是否購買的資訊（相當於有了用戶對物品的回饋）。
3. 利用這些已知資訊來判斷其他用戶的購買意願（即預測其他用戶可能感興趣的產品）。

這整個過程非常符合推薦系統 (Recommender System) 的核心概念。推薦系統旨在根據用戶過去的行為、偏好或與其他用戶/物品的相似性，來預測用戶可能感興趣的物品（如產品、電影、新聞等）並進行推薦。

(B) 預測模型：是一個廣泛的概念，推薦系統可以看作是一種特定的預測模型（預測用戶的偏好或購買意願），但「推薦系統」更精確地描述了這個應用場景。
(C) 探索性分析 (EDA): 是在建模前對數據進行初步理解和探索。
(D) 關聯法則 (Association Rule): 主要用於發現數據項之間的共現關係（如購物籃分析），例如「購買 A 的人也傾向於購買 B」。雖然可能為推薦提供依據，但本身不直接預測個別用戶的意願。

因此，最符合題目描述的方法是推薦系統。

非監督式學習 (Unsupervised Learning) 是處理未標記數據，旨在發現數據內在結構、模式或關係的學習方法。
(A) 關聯法則 (Association Rule Learning): 例如 Apriori 演算法，用於從交易數據中發現項目的共現模式（如「啤酒與尿布」），處理的是未標記的交易記錄，屬於非監督式學習。
(B) K-Means: 是一種分群 (Clustering) 演算法，將未標記數據點根據相似性劃分為 K 個群組，是典型的非監督式學習。
(C) Word2Vec: 是一種用於詞嵌入 (Word Embedding) 的技術，它從大量未標記的文本語料庫中學習單詞的向量表示。雖然其訓練過程內部使用了類似預測的任務（如 CBOW 或 Skip-gram），但其最終目的是學習數據（詞彙）的表示，而非對標記數據進行預測，通常被歸類為非監督式或自監督學習 (Self-supervised Learning)（屬於非監督的大類）。
(D) K Nearest Neighbor (KNN, K-最近鄰居): 是一種監督式學習演算法。它需要帶有標籤的訓練數據。在進行預測時，它會找到新數據點在特徵空間中最近的 K 個訓練樣本，並根據這些鄰居的標籤來決定新數據點的預測標籤（分類）或預測值（迴歸）。
因此，KNN 不屬於非監督式學習。

(A) 正確。機器學習和統計學習在目標（從數據中學習模式和進行預測）和許多方法上高度重疊，可以視為同一領域的不同視角或側重。統計學習更側重於模型的數學推導、假設檢定和可解釋性，而機器學習更側重於演算法效能、預測準確性和大規模應用。
(B) 錯誤。這個說法通常是相反的。傳統統計學領域更傾向於使用「估計」(Estimate) 模型參數的說法，強調從樣本推斷母體參數。而電腦科學和人工智慧領域（機器學習）更傾向於使用「學習」(Learn) 或「訓練」(Train) 模型的說法，強調演算法從數據中自動獲取知識或改進效能的過程。因此，電腦科學人群更偏好「學習」而非「估計」。
(C) 正確。在監督式學習中，Y（我們想要預測的變數）可以被稱為結果變數、反應變數、因變數、目標變數或標籤。
(D) 正確。在監督式學習中，X（用來預測 Y 的變數）可以被稱為屬性、特徵、預測變數、自變數或輸入變數。
因此，不正確的敘述是(B)。

(A) 錯誤。殘差 (Residual) 或預測誤差的標準定義是真實（觀測）的反應變數值減去模型預測的反應變數值，即 eᵢ = yᵢ - ŷᵢ。選項中的順序顛倒了。
(B) 正確。迴歸模型的績效指標，如均方誤差 (Mean Squared Error, MSE)、均方根誤差 (Root Mean Squared Error, RMSE)、平均絕對誤差 (Mean Absolute Error, MAE) 等，都是基於殘差計算得到的。決定係數 (R-squared) 也與殘差平方和有關。
(C) 正確。AIC 和 BIC 都是用於模型選擇的資訊準則，它們都基於模型的概似值並加入對模型複雜度（參數數量）的懲罰項，以避免過度擬合。兩者的主要區別在於懲罰項的計算方式不同：BIC 的懲罰項通常比 AIC 更重（尤其當樣本量大時），傾向於選擇更簡潔的模型。
(D) 正確。Mallow's Cp 也是一種用於模型選擇（特別是線性迴歸中的變數選擇）的準則。它估計了使用子集模型進行預測時的總均方誤差，並考慮了模型的變數數量。理想情況下，Cp 值應接近於模型的變數數量 p (包括截距)。它適合比較不同變數數量的模型。
因此，不正確的敘述是(A)。

(A) 正確。獨立性和相依性是描述兩個或多個變數之間是否存在關係的基本統計概念。
(B) 錯誤。這是一個常見的誤解。相關係數（通常指皮爾森相關係數）為 0 僅表示兩個變數之間沒有線性關係。但它們之間仍可能存在非線性關係，因此它們不一定統計獨立。統計獨立是一個更強的條件，意味著一個變數的取值完全不提供關於另一個變數取值的任何資訊。如果兩個變數是統計獨立的，那麼它們的相關係數必然為 0；但反之不一定成立（除非變數服從多元常態分佈等特殊情況）。
(C) 正確。對於類別變數，我們通常使用列聯表 (Contingency Table) 來分析它們之間的關係。衡量關聯性或相依性的指標包括卡方統計量 (Chi-squared Statistic)、Phi 係數、Cramer's V 等，這些都是基於觀測頻次和期望頻次的比較。
(D) 正確。對於數值變數，相關係數是衡量它們之間線性相依性的常用指標。
因此，不正確的敘述是(B)。

集群分析 (Clustering Analysis) 或分群是非監督式學習的任務，目標是將未標記的數據點根據其相似性劃分為不同的群組。
(A) 支持向量機 (SVM): 主要用於分類問題（SVC）和迴歸問題（SVR），屬於監督式學習。
(B) 隨機森林 (Random Forest): 是一種基於決策樹的集成學習方法，主要用於分類和迴歸，屬於監督式學習。
(C) K 最近鄰居 (KNN): 主要用於分類和迴歸，基於鄰近樣本的標籤進行預測，屬於監督式學習。
(D) K-Means: 是一種非常常用的集群分析演算法，透過迭代尋找 K 個群集中心（質心）並將數據點分配給最近的中心，屬於非監督式學習。
其他常見的集群演算法還包括階層式分群 (Hierarchical Clustering)、DBSCAN 等。
因此，應用於集群問題的是K-Means。

資料降維 (Dimensionality Reduction) 是指在盡量保留原始數據信息的同時，減少數據的特徵（維度）數量的過程。主要方法包括特徵選擇和特徵提取。
(A) 主成分分析 (PCA, Principal Component Analysis): 是一種線性的特徵提取方法，透過尋找數據變異最大的方向（主成分）來實現降維，是最常用的降維技術之一。
(B) 線性判別分析 (LDA, Linear Discriminant Analysis): 既可以用於分類，也可以用於降維（特徵提取）。作為降維方法時，它尋找能夠最大化類間散度、最小化類內散度的投影方向，是一種監督式的降維方法。
(C) K 最近鄰居 (KNN): 是一種分類和迴歸演算法，它不改變數據的維度，而是直接在原始特徵空間中計算距離進行預測。
(D) Isomap: 是一種非線性的流形學習 (Manifold Learning) 降維方法，試圖保留數據點之間的測地線距離（沿著數據流形的距離）。
其他降維方法還有 t-SNE, UMAP, 自編碼器 (Autoencoder) 等。
因此，KNN 不是資料降維的方法。

(A) 圓餅圖 (Pie Chart): 其核心設計理念就是將一個整體（代表 100%）分割成不同的扇形，每個扇形的角度或面積代表該類別佔整體的比例或百分比。因此，它非常適合展現各部分組成總和為 100% 的情況。
(B) 折線圖 (Line Chart): 主要用於顯示數據隨時間或其他連續變數的變化趨勢。
(C) 散布圖 (Scatter Plot): 主要用於顯示兩個數值變數之間的關係。
(D) 雷達圖 (Radar Chart): 主要用於比較多個量化變數在不同觀察對象上的表現，或者單一對象在多個指標上的得分。
其他可能適合的圖表還包括堆疊長條圖 (Stacked Bar Chart) 的百分比版本。
但最直接且專門用於展現整體組成百分比的是圓餅圖。

數據 (已排序): [25, 26, 28, 28, 30, 35, 40, 100]。 樣本數 N = 8。
(A) 中位數 (Median, Q2): N 為偶數，中位數是中間兩個數 (第 N/2 和 N/2 + 1 個) 的平均值。即第 4 個 (28) 和第 5 個 (30) 的平均值：(28 + 30) / 2 = 29。敘述正確。
(B) 第二四分位數 (Q2) 就是中位數。根據中位數的定義，至少有 50% 的數據大於或等於中位數，同時至少有 50% 的數據小於或等於中位數。敘述正確。
(C) 平均值 (Mean): (25+26+28+28+30+35+40+100) / 8 = 312 / 8 = 39。平均數 (39) 大於中位數 (29)。觀察數據，只有 100 和 40 大於平均數 39，即 8 個員工中有 2 個薪資 ≥ 平均值 (2/8 = 25%)，而不是 50%。因此，此敘述不正確。
(D) 偏度 (Skewness) 和箱形圖：由於存在一個極大的值 (100)，拉高了平均數，使得平均數 (39) > 中位數 (29)。同時，我們可以計算 Q1 和 Q3：
- Q1 (25百分位數): 數據前半部分 [25, 26, 28, 28] 的中位數 = (26 + 28) / 2 = 27。
- Q3 (75百分位數): 數據後半部分 [30, 35, 40, 100] 的中位數 = (35 + 40) / 2 = 37.5。
觀察中位數 (29) 到 Q3 (37.5) 的距離 (8.5) < 中位數 (29) 到 Q1 (27) 的距離 (2) < Q3 (37.5) 到最大值 (100) 的距離 (62.5)，這表明數據的右尾顯著拉長，呈現右偏 (Right-skewed) 分佈。在箱形圖上，會表現為右鬚（上鬚）比左鬚（下鬚）長得多，且中位數線靠近箱子的底部（靠近Q1）。敘述正確。
因此，不正確的敘述是(C)。

(A) 錯誤。K-means 演算法的收斂（集群中心不再變動）只能保證達到一個局部最佳解 (local optimum)。最終的集群結果高度依賴於初始質心的選擇。不同的初始質心可能導致不同的局部最佳解，不一定是全局最佳解。
(B) 正確。K-means 演算法需要使用者預先指定要將數據分成多少個群集，即 K 的值。<如何選擇合適的 K 值是使用 K-means 的一個挑戰（常用方法如肘部法則 Elbow Method、輪廓係數 Silhouette Score）。
(C) 錯誤。集群結果不僅與數據本身的分佈方式有關，還強烈受到初始質心選擇的影響。
(D) 正確。K-means 使用平均數來計算群集質心，而平均數對異常值或極值非常敏感。一個遠離中心的異常值會顯著地拉扯其所屬群集的質心位置，從而影響最終的分群結果。因此，K-means 對異常值比較敏感。
**修正：根據後續選項，(B) 和 (D) 都被認為是 K-means 的特性。但題目要求選出 "正確" 的敘述，且 (B) 描述的是演算法的必要輸入，是一個無爭議的事實。而 (D) 描述的是演算法的一個缺點/特性，也是正確的。在單選題中，(B) 描述 K 值的必要性，是 K-means 定義的一部分，更為基礎和核心。若嚴格來說，(D) 的敏感性也是正確的特性描述。此題可能存在選項設計上的模糊性。但在典型的考試理解中，(B) 作為演算法的基本要求，通常被視為更直接的正確描述。讓我們重新審視，也許選項 D 更想強調的是 K-means 的一個重要『性質』而非操作要求。因此，若必須擇一，D 作為性質描述也屬正確。** **再次審視：選項B是演算法的輸入要求，選項D是演算法的性質/缺點。兩者皆為關於K-means的正確描述。若從演算法的「運作特性」角度看，D更能描述其行為。若從「使用前提」角度看，B更符合。考慮到D描述了演算法對數據的反應，更貼近演算法本身的行為屬性。** *最終判斷：(D) 描述 K-means 對異常值敏感是其重要特性，也是正確的敘述。而 (B) 描述需要預先指定 K 值也是正確的。這題目選項可能有問題。但若硬要選一個最能代表演算法"特性"的，D可能是出題者想考的點。* *然而，原答案標註 D 正確，可能是基於其他考量或普遍認知。接受 D 為正確答案。*

探索性資料分析 (EDA) 的目的是在建模前理解數據本身的特性。
(A) 四分位數（Q1, Q2, Q3）是描述數據分佈和離散程度的重要摘要統計量，是 EDA 關心的內容。
(B) 識別和檢查離群值（異常值）是 EDA 的重要步驟，因為它們可能影響後續分析和建模。
(C) 探索自變數（特徵）與應變數（目標變數）之間的潛在關係（例如透過散佈圖、相關係數、分組比較等）是 EDA 的核心任務之一，有助於特徵選擇和理解問題。
(D) 資料模型的準確度 (Accuracy) 或其他效能指標（如 Precision, Recall, F1-score, RMSE, MAE）是在模型建立並進行評估之後才能得到的結果，屬於模型評估階段，不是 EDA 階段關心的議題。EDA 是在建模之前進行的。
因此，(D) 不是 EDA 經常關心的議題。

史皮爾曼等級相關係數 (Spearman's rank correlation coefficient, ρ 或 rs) 是一種非參數的統計量，用於衡量兩個變數之間的單調關係 (Monotonic Relationship) 的強度和方向。單調關係是指，當一個變數增加時，另一個變數也傾向於增加（或傾向於減少），但不一定是線性的。
它的計算方法是：先將每個變數的原始數值轉換為它們的等級 (Rank)，然後計算這些等級之間的皮爾森相關係數。
適用範圍：
(A) 正確。由於它是基於等級計算的，因此非常適用於本身就是順序型（有序）的類別變數。
(C) 正確。也適用於數值型（量化）變數，特別是當我們關心的是單調關係而非嚴格的線性關係時，或者當數據不滿足皮爾森相關係數的假設（如常態性）或存在異常值時（因為等級對異常值不敏感）。
(D) 正確。因為它是計算等級之間的相關性，所以常被稱為等級相關係數。
(B) 錯誤。名目型類別變數（如性別、顏色）的類別之間沒有自然的順序，無法進行有意義的排序和等級轉換。因此，史皮爾曼相關係數不適用於名目變數。衡量名目變數間關聯性需要使用卡方檢定、Phi 係數或 Cramer's V 等方法。
因此，不正確的敘述是(B)。

階層式分群法建立一個分層的群集結構，通常以樹狀圖 (Dendrogram) 視覺化。
(A) 正確。聚合式 (Agglomerative) 階層分群是由下往上的方法。開始時每個數據點自成一群，然後反覆合併最接近的兩個群集，直到所有點合併成一個大群集。
(B) 正確。分裂式 (Divisive) 階層分群是由上往下的方法。開始時所有數據點屬於一個大群集，然後反覆將現有群集分裂成兩個最不相似的子群集，直到每個點自成一群或達到某個停止條件。
(C) 正確。在聚合式分群中，需要定義群集之間的距離（聯結標準 Linkage Criteria）。單一聯結法將群間距離定義為兩個群集中最近的兩個點之間的距離。其他聯結方法還有完整聯結法 (Complete Linkage，最遠點距離)、平均聯結法 (Average Linkage)、Ward 法等。
(D) 錯誤。階層式分群法的一個主要優點是不需要預先指定群集的數量。演算法會產生一個完整的層級結構（樹狀圖）。使用者可以後續根據樹狀圖的結構或特定的切割高度來決定最終的群集數量。這與需要預先指定 K 值的 K-Means 不同。
因此，不正確的敘述是(D)。

比較 K-Means 和 DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 兩種集群分析演算法：
(A) 正確。兩者都是常用的集群分析（分群）演算法，屬於非監督式學習。
(B) 正確。K-Means 的核心是將點分配給距離最近的質心。DBSCAN 則是基於密度的概念，尋找由密集點（核心點）連接而成的區域作為群集，能夠發現任意形狀的群集並標示出噪聲點（離群值）。
(C) 錯誤。K-Means 需要預先指定群集數量 K。而 DBSCAN 不需要預先指定群集數量，它會根據數據的密度自動確定群集的數量。使用者需要設定的是鄰域半徑 (Eps) 和最小鄰居數 (MinPts) 這兩個密度相關的參數。
(D) 正確。如 Q35 所述，K-Means 使用平均數計算質心，對離群值（異常值、極值）非常敏感。相比之下，DBSCAN 對離群值不敏感，能夠將它們識別為噪聲點。
因此，不正確的敘述是(C)。

非監督式學習處理未標記數據，尋找數據的內在結構。
(A) PCA (Principal Component Analysis): 主成分分析，是一種降維（特徵提取）技術，旨在找到數據中方差最大的方向，屬於非監督式學習。
(B) Hierarchical Clustering (階層式分群): 建立數據點的層級群集結構，屬於非監督式學習。
(C) Auto-Encoder (自編碼器): 是一種神經網路結構，通常用於降維或特徵學習。它透過學習將輸入數據壓縮（編碼）到一個低維表示，然後再從該表示重建（解碼）原始輸入。其訓練過程使用輸入數據自身作為目標輸出，屬於自監督學習，通常歸類在非監督式學習的大範疇下。
(D) XGBoost (Extreme Gradient Boosting): 是一種高效、靈活且廣泛使用的梯度提升 (Gradient Boosting) 框架，基於決策樹。它主要用於分類和迴歸問題，需要帶有標籤的數據進行訓練，屬於監督式學習。
因此，XGBoost 不屬於非監督式學習。

分類 (Classification) 問題的目標是預測一個離散的類別標籤。
(A) 線性迴歸 (Linear Regression): 用於預測連續數值。
(B) 邏輯迴歸 (Logistic Regression): 雖然名字有迴歸，但其主要應用是二元分類問題，也可以擴展到多元分類。
(C) 多項式迴歸 (Polynomial Regression): 用於擬合非線性關係以預測連續數值。
(D) 支持向量迴歸 (SVR, Support Vector Regression): 是 SVM 用於迴歸問題的版本，預測連續數值。

因此，常應用於分類問題的是邏輯迴歸。對應的支持向量機版本是 SVC (Support Vector Classification)。

預測「句子的下一個詞」是自然語言處理 (NLP) 中的一個典型序列預測 (Sequence Prediction) 問題，通常屬於語言模型 (Language Model) 的範疇，其輸出是一個類別（詞彙表中的某個詞）。
(A) 隱馬可夫模型 (HMM, Hidden Markov Model): 是一種生成式模型，常用於建模序列數據（如詞性標註、語音識別），雖然較舊，但可以用於預測序列中的下一個元素。
(B) 條件隨機場 (CRF, Conditional Random Field): 是一種判別式機率圖模型，常用於序列標註任務（如命名實體識別、詞性標註），其變體或結合其他方法也可以應用於序列預測。
(C) 線性迴歸 (Linear Regression): 主要用於預測連續數值，不適合直接預測下一個詞這種類別型的輸出。
(D) N-gram 模型: 是一種基於統計的語言模型，它假設下一個詞的出現機率只依賴於前面 N-1 個詞。透過計算詞序列的出現頻率來估計條件機率，是早期常用的預測下一個詞的方法。
現代更常用循環神經網路 (RNN)、LSTM、GRU 或 Transformer 等深度學習模型來處理此任務。
因此，線性迴歸最不適合此任務。

這個問題關乎模型的可解釋性 (Interpretability)。
(A) 多層感知機 (MLP, Multilayer Perceptron): 是一種前饋神經網路，包含一個或多個隱藏層。由於其複雜的非線性轉換和大量的權重參數，MLP 以及更深層的神經網路通常被視為「黑盒子」模型，很難直接從模型結構或參數中提取出人類容易理解的規則或知識。
(B) 決策樹 (Decision Tree): 以樹狀結構呈現一系列的決策規則，可解釋性非常高。
(C) 邏輯迴歸 (Logistic Regression): 是一種廣義線性模型。模型的係數可以解釋為自變數對對數勝算 (Log-odds) 的影響，具有較好的可解釋性。
(D) 關聯規則挖掘 (Association Rule Mining): 產生的結果是形如「若 A 則 B」的關聯規則，並附帶支持度 (Support) 和信賴度 (Confidence) 等指標，規則本身直觀易懂。
因此，MLP（以及更複雜的深度學習模型）通常最難獲得人類容易理解的知識或特徵。

配適不足 (Underfitting) 指的是模型過於簡單，無法捕捉到數據中潛在的模式或趨勢。這種情況下：
- 模型在訓練集上的表現就很差，導致訓練誤差 (Training Error) 較大。
- 由於模型沒有學到數據的普遍規律，它在未見過的測試集（或驗證集）上的表現通常也很差，導致測試誤差 (Test Error) 或泛化誤差 (Generalization Error) 也較大。

相比之下：
- 過度配適 (Overfitting): 模型過於複雜，不僅學習了數據的普遍規律，還學習了訓練數據中的噪聲或隨機波動。表現為訓練誤差很小，但測試誤差很大 (選項 B)。
- 良好配適 (Good Fit): 模型恰當地捕捉了數據的普遍規律，表現為訓練誤差和測試誤差都較小，且兩者差距不大 (選項 D)。
- 選項 A (訓練誤差大，測試誤差小) 是一種不太可能發生的情況。如果模型在訓練集上表現很差，通常在測試集上也很難表現好。

因此，配適不足的特徵是訓練誤差和測試誤差都較大 (C)。

(A) 集成學習 (Ensemble Learning): 是一種結合多個基礎學習器（例如分類器或迴歸器）的預測結果來產生最終預測的技術。其核心思想是「三個臭皮匠，勝過一個諸葛亮」，透過結合多個模型的智慧，通常可以獲得比單一模型更好、更穩定的效能和泛化能力。常見的集成方法包括 Bagging（如隨機森林）、Boosting（如 AdaBoost, Gradient Boosting, XGBoost）和 Stacking。
(B) 降維 (Dimensionality Reduction): 減少數據特徵數量的技術。
(C) 剪枝 (Pruning): 主要用於決策樹學習中，為了防止過度擬合而去除樹的部分分支的技術。
(D) 特徵選擇 (Feature Selection): 從原始特徵集中選出一個子集的技術。
因此，利用多個分類器預測來提高準確率的技術是集成學習 (Ensemble)。

線性模型（如線性迴歸、邏輯迴歸）通常假設輸入特徵是數值型的。如果資料包含類別型特徵，則需要進行 前處理（如獨熱編碼 One-hot Encoding 或虛擬變數 Dummy Variable 創建）將其轉換為數值形式才能用於線性模型。
(A) 身高和體重都是連續的數值型資料，可以直接作為線性模型的輸入特徵。
(B) 性別是類別型資料，需要前處理轉換為數值（如 0/1）。
(C) 車款是類別型資料，需要前處理。
(D) 氣候是類別型資料，需要前處理。

此外，雖然數值型資料可以直接輸入，但進行特徵縮放（標準化或正規化）通常對線性模型的收斂速度和效能有益，但並非「必須」的前處理步驟（不像類別變數編碼那樣）。題目問的是「無需經過前處理，直接使用」，選項 A 是唯一所有變數本身就是數值型的情況。
因此，最可能無需前處理直接使用的資料是(A)。

監督式學習需要使用帶有標籤的數據進行訓練。
(A) K-最近鄰居 (KNN): 需要已知標籤的訓練樣本來進行預測，是監督式學習。
(B) 支持向量機 (SVM): 用於分類 (SVC) 或迴歸 (SVR)，都需要帶標籤的數據，是監督式學習。
(C) 邏輯迴歸: 用於分類問題，需要帶標籤的數據，是監督式學習。
(D) 自我組織映像圖 (SOM, Self-Organizing Map): 是一種基於競爭學習的人工神經網路，主要用於降維、集群分析和資料視覺化。它在訓練過程中不需要數據標籤，旨在學習輸入數據的拓撲結構和分佈特性，屬於非監督式學習。
因此，SOM 不屬於監督式學習。

簡單線性迴歸 (Simple Linear Regression) 模型的核心假設是因變數 Y 和自變數 X 之間存在線性關係，即 Y = β₀ + β₁X + ε，其中 ε 是誤差項。
因此，最適合使用簡單線性迴歸模型的情況是，當數據點在散佈圖上大致呈現出一條直線的趨勢。
根據假設的圖示描述：
- 圖 A: 數據點呈直線趨勢但較分散，可以使用線性迴歸，但擬合效果可能不如圖 B。
- 圖 B: 數據點緊密地圍繞一條直線分佈，顯示出強烈的線性關係，這是最適合使用簡單線性迴歸的情況。
- 圖 C: 數據點呈曲線分佈，表示變數間存在非線性關係，不適合直接使用簡單線性迴歸（可能需要多項式迴歸或非線性模型）。
- 圖 D: 數據點隨機散佈，表示兩個變數之間可能沒有明顯的關係（或關係非常弱），線性迴歸模型可能效果不佳。

因此，圖 B 最適合使用簡單線性迴歸模型。

監督式學習 (Supervised Learning) 的核心是從帶有標籤（即已知輸出或應變項 Response Variable / 目標變數 Target Variable）的訓練資料中學習輸入與輸出之間的映射關係。
(A) 正確。監督式學習的定義就要求訓練資料必須包含應變項（標籤），模型才能學習如何預測它。
(B) 正確。監督式學習的輸入特徵（自變數）和輸出（應變項）可以是連續型（如迴歸問題中的房價）或類別型（如分類問題中的「是/否」）。因此，訓練資料不一定都是連續型資料。
(C) 錯誤。主成分分析 (PCA) 是一種降維技術，其目標是找到數據本身變異最大的方向，這個過程只利用輸入特徵 (X)，不需要應變項 (Y)。因此，PCA 屬於非監督式學習。
(D) 正確。Bootstrap (拔靴法) 是一種重抽樣技術（有放回抽樣）。當訓練資料過少時，可以利用 Bootstrap 產生多個略有不同的訓練集，用於訓練多個模型並進行集成（如 Bagging），或者用於估計模型效能的穩定性。雖然不能真正「增加」資訊，但可以在一定程度上緩解小樣本帶來的不穩定性。
因此，不正確的敘述是(C)。

(A) 正確。巨量資料往往伴隨著較多的雜訊和異常值。穩健統計方法 (Robust Statistics) 指的是那些對數據中的異常值或模型假設的輕微偏離不太敏感的統計方法（例如使用中位數代替平均數，使用對異常值不敏感的損失函數等），有助於在有雜訊的情況下得到更可靠的結果。
(B) 錯誤。雖然相對於傳統統計模型，某些機器學習模型（如決策樹、神經網路）對數據分佈的假設較少（稱為非參數模型），但這不代表完全不需要考慮數據的特性或背景假設。例如，基於距離的模型（如 KNN, K-Means, SVM）通常假設特徵尺度相似（需要進行縮放），某些演算法的收斂性或效能也可能依賴於數據的某些特性。理解數據和選擇合適的模型仍然重要，不能說「不需要考慮」。
(C) 正確。重抽樣技術（如交叉驗證、Bootstrap）透過多次從原始數據中抽取樣本來訓練和評估模型。這有助於：
- 評估模型在不同數據子集上的穩定性和效能的不確定性。
- 在模型選擇和超參數調整中提供更可靠的效能估計，有助於選擇泛化能力更好的模型，從而避免過度配適。
- Bagging 等集成方法直接利用 Bootstrap 樣本來訓練多個模型以提高穩定性。
(D) 正確。這是集成學習的核心思想。透過結合多個（通常是弱的或不完美的）模型的預測，可以得到一個整體效能更好、更穩健的模型，能夠處理更複雜、更困難的問題。
因此，不正確的敘述是(B)。

離群值是指與數據集中其餘觀測值顯著不同的值。處理離群值沒有絕對唯一的正確方法，應根據具體情況判斷：
1. **了解原因**：首先應調查離群值產生的原因。是數據輸入錯誤、測量錯誤，還是代表了真實但罕見的情況？
2. **視分析目的**：
* 如果離群值確定是錯誤（如輸入錯誤），則應將其修正或移除 (A)。
* 如果分析對離群值敏感（如使用平均數或最小平方法的線性迴歸），可能需要移除、轉換數據（如對數轉換）或使用穩健的統計方法（對離群值不敏感的方法，如使用中位數）。
* 如果離群值代表真實且重要的現象（例如詐欺檢測中的異常交易），則不應移除，反而應特別關注 (B 可能部分適用於此情況下的"保留")。
* 填補法 (C) 主要用於處理遺缺值，直接用填補法處理離群值較少見，除非先將離群值視為遺缺值再填補，但這仍需謹慎。

(D) 因此，最全面的答案是視分析目的和離群值的性質而定，選擇移除、修正、保留、轉換或使用穩健方法等不同策略。

(A) 錯誤。在某些情況下，如果遺缺值比例很低且是隨機發生的，刪除包含遺缺值的觀測可能是最簡單有效的方法。沒有絕對的「不應該被刪除」。
(B) 正確。如果同一欄位（特徵）的遺缺值比例非常高（例如超過 50% 或更高），那麼這個特徵本身可能包含的資訊就很少，直接刪除該欄位（而不是刪除包含遺缺值的行）可能是更好的選擇。如果很多行在不同欄位都有遺缺值，導致刪除行會損失大量樣本，那麼尋找填補 (Imputation) 方法通常是必要的，而不是直接刪除大量資料行。這裡的表述"不適合將這些資料全都刪除，應該找尋補齊遺缺值的方法"是指不適合用刪除行的方式處理，暗示了補值是更合適的方向。
(C) 錯誤。算術平均數只適用於數值型變數。對於類別變量的遺缺值，通常使用眾數 (Mode) 來填補。
(D) 錯誤。雖然平均數和中位數是常用的填補方法，但選擇哪一個應考慮資料的分佈型態。平均數對離群值敏感，適用於對稱分佈；中位數對離群值不敏感，更適用於偏斜分佈 (Skewed Distribution)。因此，不能說「不論分佈型態」皆可直接使用。
故最正確的敘述是(B)。

資料前處理 (Data Preprocessing) 是在進行主要分析或建模之前，對原始數據進行的一系列處理步驟，目的是提高數據品質、使其適用於分析工具或模型。
常見步驟包括：
(A) 資料清理：處理遺缺值、異常值、噪聲、重複值、不一致的值等。
(B) 資料整合：將來自多個來源的數據合併在一起，可能需要處理命名、格式、單位不一致的問題。
(D) 資料轉換/變形 (Data Transformation): 改變數據的格式或結構，例如正規化 (Normalization)、標準化 (Standardization)、離散化/分箱 (Discretization/Binning)、屬性建構 (Attribute Construction)、數據聚合 (Aggregation)。
(D) 資料縮減 (Data Reduction): 減少數據量但盡量保持分析結果不變，包括降維 (Dimensionality Reduction，如 PCA)、數值縮減 (Numerosity Reduction，如抽樣、直方圖)、特徵選擇 (Feature Selection)。

(C) 資料建模 (Data Modeling): 指的是選擇、訓練和評估機器學習或統計模型的過程。這是資料前處理之後的主要分析步驟，目的通常是進行預測、分類、分群等任務。
因此，資料建模不屬於資料前處理的步驟。

這題與 113 年 Q2 和 112 年 Q45 類似，考察不適合的遺缺值處理方法。
(A) 熱卡填補法：從數據集中找到一個與含有遺缺值的觀測記錄相似（匹配）的完整記錄（稱為捐贈者 donor），然後用捐贈者在該欄位的值來填補遺缺值。是一種較為複雜但考慮了觀測間相似性的填補方法，是可行的手段。
(B) 迴歸填補法：使用其他變數建立迴歸模型來預測遺缺值。是常用的模型補值方法。
(C) 填補最大值：如前述，使用欄位的最大值來填補遺缺值缺乏統計依據，通常會嚴重扭曲數據分佈，是最不適合的通用方法。
(D) 平均值/眾數填補：使用平均數（用於數值）、中位數（用於偏斜數值）或眾數（用於類別）填補。是簡單且常用的方法。
因此，最不適合的方式是填補最大值。

分析一個常見的 E-mail 格式正則表達式 `/^([a-zA-Z0-9._%-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4})/` 各部分的含義：
- `/.../`: 通常表示正則表達式的開始和結束（具體分隔符可能因語言或工具而異）。
- `^`: 匹配字串的開頭。
- `(...)`: 捕獲組，將匹配的內容作為一個整體捕獲。
- `[a-zA-Z0-9._%-]+`: 匹配 E-mail 的使用者名稱部分。允許大小寫字母、數字、點、底線、百分號、連字號，`+` 表示至少出現一次。
- `@`: 精確匹配 "@" 符號。
- `[a-zA-Z0-9.-]+`: 匹配 E-mail 的域名部分（不含頂級域名）。允許大小寫字母、數字、點、連字號，`+` 表示至少出現一次。
- `\.`: 精確匹配 "." 符號（需要反斜線轉義，因為點在正則中通常有特殊含義）。
- `[a-zA-Z]{2,4}`: 匹配 E-mail 的頂級域名（如 com, org, net, edu）。允許大小寫字母，長度限制在 2 到 4 個字元之間。 (注意: 這個長度限制可能過於嚴格，無法匹配 .info, .museum, .travel 等較長的頂級域名，但作為常見的簡化正則，這是可接受的)。
- `$`: 通常建議在結尾加上 `$` 來匹配字串的結尾，確保整個字串都符合模式。雖然選項 A 中省略了 `$`，但在基本判斷上是可行的。

分析選項：
(A) 結構基本正確，涵蓋了使用者名稱、@、域名、點、頂級域名的主要部分。
(B) 缺少了 `@` 符號，無法匹配標準 E-mail 格式。
(C) 開頭 `+` 前缺少了允許的字元集定義。
(D) 在頂級域名前缺少了 `\.` 來匹配點。

因此，選項 (A) 是最接近且可行的正則表達式。

SQL 聚合函數對一組值進行計算，並返回單一的匯總值。常見的聚合函數包括：
(A) COUNT(): 計算行數或非 NULL 值的數量。
(B) SUM(): 計算一組數值的總和。
(C) AVG(): 計算一組數值的平均值。
其他還有 MAX() (最大值), MIN() (最小值), STDEV() (標準差), VAR() (變異數) 等（具體支持的函數可能因不同資料庫系統而異）。

(D) CAST(): 是 SQL 中的一個類型轉換函數，用於將一個數據類型轉換為另一個數據類型（例如將字串轉換為日期，或將整數轉換為浮點數）。它不是聚合函數，它作用於單一值而非一組值。
因此，CAST() 不是聚合函數。

非監督式學習處理未標記數據，尋找數據的內在結構。
(A) 主成分分析 (PCA): 是一種降維技術，旨在發現數據中方差最大的方向，屬於非監督式學習。
(B) 多向度量尺法 (Multidimensional Scaling, MDS): 是一類降維和視覺化技術，旨在將高維數據點之間的距離或非相似性盡可能地保留在低維空間中。非計量 MDS 處理的是順序型的相似性數據，屬於非監督式學習。
(C) 對應分析: 是一種探索兩個或多個類別變數之間關係的降維和視覺化技術，常用於分析列聯表，屬於非監督式學習。
(D) 線性判別分析 (LDA): 如 Q32 (111年) 所述，LDA 主要目標是找到能最好地區分類別的特徵子空間。這個過程需要利用已知的類別標籤來最大化類間散度和最小化類內散度。因此，LDA 是一種監督式學習方法（無論用於分類還是降維）。
故線性判別分析不屬於非監督式學習。

觀察多個變數之間關聯性的視覺化方法：
(A) 勝率比：是一種統計量，用於衡量某個因素與某個二元結果之間的關聯強度（常用於病例對照研究或邏輯迴歸），本身不是一種圖形化方法。
(B) 平行座標圖：是一種視覺化高維數據的方法。圖中每個維度（變數）對應一條平行的垂直軸，每個數據點表示為一條連接各個軸上對應數值的折線。透過觀察線條的模式、聚集和交叉，可以直觀地探索多個變數之間的關係、趨勢和群集。
(C) 投影追蹤：是一類尋找高維數據中「有趣」的低維投影的統計方法，目標投影追蹤是其一種變體。雖然結果可以用圖形展示，但它本身是一種降維或結構發現技術，而非直接觀察原始多變數關聯性的圖形類型。
(D) 管制圖 (Control Chart)：是統計製程管制 (SPC) 中用於監控製程隨時間變化是否穩定的工具，通常針對單一品質特性（如平均數、全距、不良率等），而非觀察多變數間的關聯性。
其他觀察多變數關聯性的圖形方法還包括散佈圖矩陣 (Scatter Plot Matrix)、熱力圖 (Heatmap，用於顯示相關係數矩陣) 等。
在選項中，平行座標圖是能直觀觀察多個變數間關聯性的圖形化方法。

敘述統計 (Descriptive Statistics) 旨在總結和描述數據集的主要特徵。
(A) 正確。敘述統計涵蓋了對數據頻率（如次數分配）、集中趨勢（如平均數、中位數）、離散程度（如標準差、全距）等方面的描述。
(B) 正確。中位數、眾數、平均數衡量集中趨勢，標準差衡量離散程度，這些都是核心的敘述統計量。
(C) 錯誤。集群分析 K-means 是一種非監督式機器學習演算法，其目的是發現數據中潛在的群組結構。它屬於推論統計 (Inferential Statistics) 或機器學習的範疇，而不是用來簡單描述數據基本特徵的敘述統計。敘述統計通常不涉及複雜的模型構建或模式發現。
(D) 正確。數據視覺化是敘述統計的重要組成部分。使用直方圖（描述分佈）、圓餅圖（描述比例）、散點圖（描述關係）等圖形來直觀地展示數據特徵，是一種有效的敘述方法。
因此，錯誤的敘述是(C)。

資料去識別化 (Data De-identification) 或匿名化 (Anonymization) 的目的是移除或修改個人可識別資訊 (PII, Personally Identifiable Information)，以保護個人隱私，同時盡量保留數據的分析價值。
(A) 如果一個欄位只有唯一值（例如所有記錄的「公司名稱」都是一樣的），這個欄位對於區分個體沒有幫助，刪除它可能有助於簡化數據，但不一定是去識別化的核心操作。然而，如果這個唯一值本身就具有識別性（比如研究對象全是某罕見疾病患者），則刪除可能有意義。此選項相對中性或視情況而定。
(B) 將性別轉為 0 和 1 是一種編碼 (Encoding) 操作，本身並不能去識別化，因為性別資訊仍然存在。但它可能是後續分析或某些去識別化技術（如 k-匿名中的泛化）的前置步驟。此行為本身去識別化效果有限。
(C) 這描述的是合成數據生成 (Synthetic Data Generation) 的概念，透過學習原始數據的分佈來生成人工的、不對應任何真實個體但統計特性相似的數據。這是一種較高級的去識別化/隱私保護技術。
(D) 將性別和年齡欄位隨機混合（例如，將某人的性別與另一人的年齡配對）會完全破壞這兩個變數之間的關係以及它們各自的意義，使得數據失去分析價值。這不是一種恰當的去識別化方法，更像是數據損毀。

其他常見去識別化技術包括遮罩 (Masking)、泛化 (Generalization)、抑制 (Suppression)、置換 (Permutation)、差分隱私 (Differential Privacy) 等。
因此，最不恰當的行為是(D)。

特徵工程方法可以根據其是否利用目標變數（標籤）分為監督式和非監督式。
(A) 線性判別分析 (LDA): 如前述 (Q7, Q32)，LDA 的目標是找到能最大化類別間差異的投影方向，這個過程需要使用類別標籤 (目標變數)。因此，LDA 是一種監督式的降維（特徵提取）方法。
(B) 主成分分析 (PCA): PCA 尋找數據自身變異最大的方向，這個過程只依賴輸入特徵 (X)，不使用目標變數 (Y)。因此，PCA 是一種非監督式的降維方法。
(C) 潛在語意分析 (LSA): 通常基於奇異值分解 (SVD) 應用於詞彙-文件矩陣，用於發現文本數據中的潛在主題或語意結構，是一種非監督式的降維和特徵提取方法。
(D) 獨立成分分析 (ICA): 旨在將混合信號分解成統計上獨立的子成分（例如雞尾酒會問題），是一種非監督式的信號處理和特徵提取方法。
因此，屬於監督式的特徵工程方法是 LDA。

資訊增益 (IG) 是基於熵 (Entropy) 的概念，常用於決策樹演算法（如 ID3）中選擇最佳分裂屬性，也可以作為一種特徵選擇（過濾器方法）的評估標準。
熵衡量的是系統的不確定性或混亂程度。資訊增益衡量的是「知道某個特徵的值後，目標變數（通常是類別）的不確定性減少了多少」。
資訊增益的計算原生適用於處理離散型（類別型）的特徵和目標變數。對於名目型資料特徵，可以直接計算其不同取值下目標變數的條件熵，進而算出資訊增益。
(A) 擁有大量不同數值的特徵（高基數類別特徵或連續特徵）直接計算資訊增益可能效果不佳或需要先進行離散化。
(B) 正確。名目型資料（以及其他離散型資料）是資訊增益最直接適用的類型。
(C) & (D) 連續型或非離散化的數值特徵，在使用資訊增益進行評估前，通常需要先進行離散化 (Discretization) 處理，將其轉換為區間或類別。
因此，最適合直接使用資訊增益進行特徵選取的是名目型資料特徵。

將名目型類別資料（類別間無序）轉換為線性模型可用的數值形式時，要避免引入不存在的順序關係或大小關係，以免對模型造成偏差。
(A) 這描述的是獨熱編碼 (One-Hot Encoding) 或創建虛擬變數 (Dummy Variables) 的過程。將一個有 K 個類別的名目變數轉換為 K 個（或 K-1 個，如果使用虛擬變數）二元（0/1）特徵。每個新特徵代表原始的一個類別是否存在。這種方法不會引入人為的順序，每個類別被公平地表示為一個維度，是處理名目變數輸入線性模型的標準且最公平的方式。
(B) 體重（過重、一般、過輕）是順序型 (Ordinal) 資料，而不是名目型。將其轉換為 (1, 0, -1) 是可能的順序編碼方式，但題目問的是名目型資料。
(C) 將天氣（晴、陰、雨）轉為（0, 1, 2）是標籤編碼 (Label Encoding)。如果天氣是名目型的（沒有明確順序），這種編碼會錯誤地引入順序關係（例如模型可能認為 雨(2) 是 晴(0) 的兩倍或 雨(2)>陰(1)>晴(0)），從而對模型造成偏差。這種方法只適用於目標變數或樹模型中的特徵，或本身就是順序型的特徵。
(D) 給予隨機數值會引入隨機性，使得結果不可靠，且也無法公平表示類別間的關係。里程（遠、中、近）是順序型的。
因此，最公平處理名目型資料的方法是 (A) 獨熱編碼。

資料準備（或資料前處理）涉及多個步驟，旨在使原始數據適用於分析。
(A) 正確。描述了資料準備的主要階段，目標是產生高質量的、可用於建模的數據。
(B) 正確。資料整合階段確實涉及從不同來源收集數據，根據需求選擇相關數據，並將它們合併起來。
(C) 錯誤。資料清理的核心任務就是處理數據中的問題，這包括：
- 處理遺缺值
- 處理異常值
- 處理重複值
- 處理噪聲
- 消除不一致的值（例如，同一類別有多種寫法 "Taipei", "TPE"）。
而平衡偏斜資料（通常指類別不平衡問題，使用過抽樣、欠抽樣等方法）和減少變數數目（特徵選擇或降維，屬於資料縮減）雖然也是資料準備的一部分，但通常不歸類在「資料清理」這個子步驟下，而是資料轉換或資料縮減。不過，選項說「不包括」消除不一致，這是明顯錯誤的，消除不一致是資料清理的核心。
(D) 正確。資料轉換包含多種操作：
- 正規化/標準化：調整數據尺度。
- 分散/整合（Aggregation/Discretization）：例如將連續數據分箱（分散），或將多條記錄匯總（整合）。
- 建構新屬性 (Attribute Construction)：基於現有屬性創建新的、可能有用的屬性（特徵工程的一部分）。
因此，最明顯的錯誤敘述是(C)。

(A) 正確。資料縮減 (Data Reduction) 旨在減少數據的複雜性。在維度縮減 (Dimensionality Reduction) 方面，主要有兩種策略：
- 特徵選擇 (Feature Selection): 從原始特徵中挑選一個子集。
- 特徵萃取 (Feature Extraction): 將原始特徵轉換或組合成一個新的、維度較低的特徵空間（例如 PCA）。
因此，資料縮減（在維度方面）泛指這兩類方法。
(B) 錯誤。屬性（特徵）越多，模型通常越複雜，需要調校的參數可能更多（取決於模型類型），過度配適的風險通常會增加，而不是降低，因為模型更容易學習到訓練數據中的噪聲和特定模式（維度災難）。
(C) 錯誤。量綱均一化（即使不同特徵具有可比較的尺度），例如透過標準化或正規化，屬於特徵轉換 (Feature Transformation) 或特徵縮放 (Feature Scaling) 的範疇，不是特徵萃取。特徵萃取是創建新的特徵。
(D) 錯誤。PCA 是一種降維技術，主要目標是捕捉數據的最大變異方向，它不能有效處理或修正單一屬性的偏斜分佈。處理偏斜分佈常用的是對數轉換、平方根轉換或 Box-Cox 轉換等。
因此，正確的敘述是(A)。

Hadoop HDFS NameNode HA (High Availability) 機制是為了解決早期版本中 NameNode 的SPOF 問題。
(A) 正確。服務層級協議 (SLA) 通常定義了服務提供商承諾的服務可用性水平（例如 99.9%, 99.99% 的正常運行時間），等級越高表示允許的停機時間越短，服務連續性要求越高。
(B) 錯誤。HDFS NameNode HA 通常採用的是 Active/Standby 模式，而不是 Active/Active 模式。在 Active/Standby 模式下，只有一個 NameNode 是 Active 狀態，負責處理所有客戶端請求；另一個（或多個）NameNode 處於 Standby 狀態，隨時準備在 Active NameNode 故障時接管服務。Active/Active 模式意味著多個節點同時處理請求，這在 HDFS NameNode HA 中不是標準實現方式。
(C) 正確。HDFS HA 使用 Quorum Journal Manager (QJM) 機制，由一組 JournalNode 組成。Active NameNode 將其編輯日誌 (EditLog) 同步寫入大多數 JournalNode。Standby NameNode 從 JournalNode 讀取這些日誌，以保持與 Active NameNode 的狀態同步。當發生故障轉移時，新的 Active NameNode 可以確保擁有最新的文件系統元數據。
(D) 正確。HA 架構的目標就是在主節點（Active NameNode）發生故障時，能夠自動且快速地切換到備用節點（Standby NameNode），使得客戶端應用程式的服務中斷時間降到最低，理想情況下運行中的程式可以無縫地繼續執行（或只需短暫停頓後重試）。
因此，錯誤的敘述是(B)。

傳統 Hadoop 的核心組件通常指的是：
1. HDFS (Hadoop Distributed File System): 負責分散式儲存。
2. MapReduce: 最初的分散式計算框架。
3. YARN (Yet Another Resource Negotiator): 從 Hadoop 2.x 開始引入，負責叢集資源管理和任務調度，將 MapReduce 從資源管理中分離出來。

分析選項中的項目：
(1) Spark: 是一個獨立於 Hadoop MapReduce 的更快速、更通用的分散式計算引擎。雖然 Spark 經常部署在 Hadoop 叢集上（使用 HDFS 作為儲存，YARN 作為資源管理器），但它不是 Hadoop 最初的核心組件，可以獨立運行，也可以替代 MapReduce。
(2) HDFS: Hadoop 的核心儲存組件。
(3) MapReduce: Hadoop 最初的核心計算框架。
(4) Hive: 是一個建立在 Hadoop 之上的數據倉儲基礎設施，提供 SQL 介面來查詢儲存在 HDFS 上的數據（底層會將 SQL 轉換為 MapReduce 或 Spark 任務）。它屬於 Hadoop 生態系統中的工具，但不是最基礎的核心架構本身。

因此，最能代表 Hadoop 最基本（或說最初核心）架構的是 HDFS 和 MapReduce。(2)和(3)。

HTTP (HyperText Transfer Protocol) 定義了客戶端和伺服器之間請求和回應的標準方法。常見的 HTTP 請求方法包括：
- GET: 請求獲取指定資源（如網頁 HTML、圖片、API 數據）。這是瀏覽器最常用的方法，用於讀取資源。
- POST: 向指定資源提交數據進行處理（例如提交表單、上傳文件、創建新資源）。
- PUT: 替換目標資源的所有當前表示（上傳文件、完整更新資源）。
- DELETE: 刪除指定的資源。
- HEAD: 類似於 GET，但只請求資源的標頭 (Header)，不返回資源主體 (Body)。用於檢查資源是否存在、獲取元數據等。
- OPTIONS: 請求獲取目標資源所支持的通信選項。
- PATCH: 對資源進行部分修改。

(A) UPDATE 不是標準的 HTTP 方法名。
(B) HEAD 只獲取標頭，不獲取網頁內容。
(C) PUT 主要用於更新或創建資源。
(D) GET 是獲取網頁資料的標準方法。
因此，最正確的方法是 GET。

這裡的 map 和 reduce 是函數式編程中的常見高階函數概念：
1. **`map(x => x * x)`**: map 函數會將提供的函數（`x => x * x`，即計算平方）應用於 `data` 數列中的每一個元素，並返回一個包含結果的新數列。
- `data` = [1, 2, 3, 4, 5]
- `map` 處理後得到：[1*1, 2*2, 3*3, 4*4, 5*5] = [1, 4, 9, 16, 25]
2. **`reduce((x, y) => x + y)`**: reduce 函數（也稱作 fold 或 aggregate）會將一個累加器函數（` (x, y) => x + y`，即將兩個數相加）應用於數列中的元素，將它們逐步合併成一個單一的值。`x` 通常代表累加結果，`y` 代表當前元素。
- 對於數列 [1, 4, 9, 16, 25] 進行加總：
- 初始（或第一個元素）：1
- 1 + 4 = 5
- 5 + 9 = 14
- 14 + 16 = 30
- 30 + 25 = 55

因此，最終的處理結果是 55。

對於一個離散型隨機變數 X，其期望值 (Expected Value, E(X)) 的計算公式為：
E(X) = Σ [x * P(X=x)]
即將每個可能的取值 x 乘以其對應的機率 P(X=x)，然後將所有結果加總。

根據題目提供的數據：
E(X) = (230 * 0.2) + (360 * 0.35) + (460 * 0.25) + (500 * 0.20)
= 46 + 126 + 115 + 100
= 387

因此，該產品每月需求量的期望值為 387。

對於服從二項分配 B(n, p) 的隨機變數 X：
- 期望值 (E(X)) = n * p
- 變異數 (Var(X)) = n * p * (1 - p)

根據題目給定的參數：
- n = 10
- p = 0.4
- (1 - p) = 1 - 0.4 = 0.6

計算期望值：
E(X) = n * p = 10 * 0.4 = 4

計算變異數：
Var(X) = n * p * (1 - p) = 10 * 0.4 * 0.6 = 4 * 0.6 = 2.4

因此，期望值為 4，變異數為 2.4。

這題涉及中央極限定理 (Central Limit Theorem, CLT) 的應用，關於樣本平均數 (X̄) 的抽樣分佈。
已知母體平均數 μ = 1200，母體標準差 σ = 36，樣本大小 n = 36。
根據CLT，當樣本數 n 足夠大時（通常 n ≥ 30 即可認為足夠大），樣本平均數 X̄ 的抽樣分佈會近似於常態分佈，其：
- 平均數 E(X̄) = μ = 1200
- 標準差（稱為標準誤 Standard Error, SE）σ_X̄ = σ / sqrt(n) = 36 / sqrt(36) = 36 / 6 = 6

我們要求的是樣本平均壽命 X̄ 至少為 1180 小時的機率，即 P(X̄ ≥ 1180)。
為了計算這個機率，我們需要將 X̄ 的值標準化為標準常態分佈 Z：
Z = (X̄ - E(X̄)) / σ_X̄ = (X̄ - μ) / (σ / sqrt(n))

將 X̄ = 1180 代入：
Z = (1180 - 1200) / 6 = -20 / 6 = -10 / 3 ≈ -3.33

因此，P(X̄ ≥ 1180) = P(Z ≥ -3.33)。

對比選項，沒有完全匹配 -3.33 的。最接近的是概念形式。如果題目或選項印刷有誤，最接近的可能是要求 Pr(Z > ...)，而計算結果為 -3.33。
*註：由於官方未提供正解且選項與計算結果不符，此題可能存在問題。按計算結果，應為 Pr(Z ≥ -3.33)。*

這題是關於估計母體平均數時所需的樣本大小計算。
已知：
- 母體標準差 σ = 0.4
- 信賴水準 (Confidence Level) = 95%
- 最大容許估計誤差 (Margin of Error) E = 0.08

從 Pr(Z < -1.96) = 2.5% 可知，對於標準常態分佈，單尾 2.5% 對應的 Z 值是 -1.96。由於常態分佈是對稱的，Pr(Z > 1.96) = 2.5%。因此，中間 95% 的區域對應的 Z 值範圍是 [-1.96, 1.96]。在 95% 信賴水準下，對應的臨界 Z 值 (Critical Z-value) 為 Z_α/2 = 1.96。

估計母體平均數時，樣本大小 n 的計算公式為：
n ≥ (Z_α/2 * σ / E)²

將已知數值代入：
n ≥ (1.96 * 0.4 / 0.08)²
n ≥ (1.96 * 5)²
n ≥ (9.8)²
n ≥ 96.04

因為樣本數必須是整數，且要滿足不等式，所以需要無條件進位。
至少應抽 97 包糖果。
因此，正確答案是(C)。

數據樣本：[1, 3, 5, 9, 11, 13]。 樣本數 N = 6。
(A) 全距 (Range) = 最大值 - 最小值 = 13 - 1 = 12。敘述錯誤。
(B) 眾數 (Mode) 是數據中出現次數最多的值。在此樣本中，每個數都只出現一次，因此沒有唯一的眾數（或者說每個數都是眾數）。敘述錯誤。
(C) 中位數 (Median): N 為偶數，中位數是中間兩個數 (第 N/2 和 N/2 + 1 個) 的平均值。即第 3 個 (5) 和第 4 個 (9) 的平均值：(5 + 9) / 2 = 14 / 2 = 7。敘述錯誤。
(D) 平均數 (Mean): (1 + 3 + 5 + 9 + 11 + 13) / 6 = 42 / 6 = 7。敘述正確。
因此，正確的敘述是(D)。

該 `mydist` 函數計算的是兩個二維點 `a = (a₀, a₁)` 和 `b = (b₀, b₁)` 之間各個維度座標差的絕對值之和：`|a₀ - b₀| + |a₁ - b₁|`。
這正是曼哈頓距離（也稱城市街區距離、L1 距離）在二維空間中的定義。
- 計算 `mydist((1,1), (2,2))`：
`abs(1-2) + abs(1-2) = abs(-1) + abs(-1) = 1 + 1 = 2`。這是兩點的曼哈頓距離。

比較其他選項：
(A) 歐幾里得距離（L2 距離）的計算公式是 `sqrt((a₀ - b₀)² + (a₁ - b₁)²)`。
(C) 馬氏距離考慮了變數之間的相關性，計算較複雜，需要用到協方差矩陣的逆矩陣。
(D) 餘弦相似度衡量兩個向量方向上的相似性，計算公式是 `(a · b) / (||a|| * ||b||)`。

因此，該函數回傳的是曼哈頓距離。

這是一個應用總機率法則 (Law of Total Probability) 的問題。
定義事件：
- D: 燈泡是不良品 (Defective)
- G: 燈泡是良品 (Good)
- F: 燈泡被分類為「不通過」 (Fail)
- P: 燈泡被分類為「通過」 (Pass)

已知機率：
- P(D) = 10% = 0.10 (不良率)
- P(G) = 1 - P(D) = 1 - 0.10 = 0.90 (良品率)
- 分類錯誤的機率是 5% = 0.05。這意味著：
- 將不良品錯誤分類為「通過」的機率：P(P|D) = 0.05
- 將良品錯誤分類為「不通過」的機率：P(F|G) = 0.05

由此可以推導正確分類的機率：
- 將不良品正確分類為「不通過」的機率：P(F|D) = 1 - P(P|D) = 1 - 0.05 = 0.95
- 將良品正確分類為「通過」的機率：P(P|G) = 1 - P(F|G) = 1 - 0.05 = 0.95

我們要求的是一個燈泡被分類為「不通過」的總機率 P(F)。
根據總機率法則，一個燈泡被分類為「不通過」可能來自兩種情況：它本身是不良品且被正確分類，或者它是良品但被錯誤分類。
P(F) = P(F∩D) + P(F∩G)
= P(F|D) * P(D) + P(F|G) * P(G)
= (0.95 * 0.10) + (0.05 * 0.90)
= 0.095 + 0.045
= 0.14

因此，被分類為「不通過」的百分比是 0.14，即 14%。

關聯法則挖掘 (Association Rule Mining) 的目標是發現數據項目之間的有趣關係。
(A) 正確。挖掘過程通常分兩步：1. 找出所有頻繁項目集 (Frequent Itemsets)，即出現頻率（支持度 Support）超過最小閾值的項目組合。2. 從頻繁項目集中生成強關聯規則 (Strong Association Rules)，即信賴度 (Confidence) 也超過最小閾值的規則。
(B) 錯誤。這描述的是 Apriori 演算法的核心思想的反面。Apriori 基於 "Apriori 原則": 如果一個項目集是頻繁的，那麼它的所有子集也必須是頻繁的。反過來說（其逆反命題）：如果一個項目集（子集）不是頻繁的，那麼包含它的任何超集（母集）也必然不是頻繁的。因此，當發現一個集合不是頻繁的，它的母集就不需要再被考慮，這是 Apriori 演算法能夠有效剪枝、減少候選項目集的原因。
(C) 正確。FP-growth (Frequent Pattern Growth) 算法通過構建一個緊湊的FP-Tree 結構來存儲頻繁項目資訊，避免了 Apriori 需要重複掃描數據庫和生成大量候選集的問題，通常在效率上優於 Apriori，尤其是在大型密集數據集上。
(D) 正確。Apriori 演算法的主要瓶頸在於生成候選項目集和重複掃描數據庫計算支持度，當項目數量多或數據集大時，這些操作會非常耗時。
因此，錯誤的敘述是(B)。

(A) 正確。這是兩者最根本的區別：線性迴歸預測連續值，邏輯斯迴歸預測類別（通常是二元類別）。
(B) 正確。線性迴歸假設應變數 Y 是自變數 X 的線性函數（Y = β₀ + β₁X + ε）。邏輯斯迴歸不是直接假設 Y 和 X 線性相關，而是假設 Y 屬於某類別的機率 P(Y=1) 的對數勝算 (Log-odds) 是 X 的線性函數（ln[p/(1-p)] = β₀ + β₁X）。因此，應變數 Y（類別）與自變數 X 的關係是非線性的（透過 logistic/sigmoid 函數連接）。
(C) 正確。線性迴歸的一個重要假設是誤差項 ε 服從常態分佈，這也隱含了給定 X 時，Y 的條件分佈是常態分佈。邏輯斯迴歸假設應變數 Y 服從伯努利分佈（對於二元分類，取值 0 或 1）或多項分佈（對於多元分類）。
(D) 錯誤。係數估計方法正好說反了。標準的線性迴歸通常使用最小平方法 (LS) 來估計係數（在誤差服從常態分佈的假設下，LS 等價於 MLE）。而邏輯斯迴歸由於其應變數的非連續性和非線性關係，通常使用最大概似估計法 (MLE) 來估計係數。
因此，錯誤的敘述是(D)。

(A) 正確。全面調查（普查）理論上可以獲得最準確的母體參數值，避免了抽樣誤差。但實際操作中可能因執行困難、成本高昂、耗時長以及可能存在的非抽樣誤差（如測量誤差、無回應誤差）而難以實現或效果打折。
(B) 正確。抽樣調查只調查母體的一部分，相比全面調查，可以大大節省時間、人力和物力成本。
(C) 正確。抽樣誤差 (Sampling Error) 是指由於只觀察了母體的一部分（樣本）而導致的樣本統計量與母體參數之間的差異。只要是抽樣，就必然存在抽樣誤差（除非樣本恰好與母體完全一致，機率極低）。
(D) 錯誤。台北市的經濟結構、人口組成、產業狀況等與其他五個直轄市存在顯著差異，其失業率不能代表其他城市的情況。直接用台北市的數據推算其他城市會產生嚴重的偏差，是一種非常不精確且不合理的估計方法。合理的估計方法應該使用分層抽樣（以各縣市為層）或其他考慮地區差異的抽樣設計。
因此，錯誤的觀念是(D)。

PCA 和 SVD (Singular Value Decomposition) 是線性代數中密切相關的兩種矩陣分解技術，都常用於降維。
- PCA 通常涉及計算數據的協方差矩陣，然後對協方差矩陣進行特徵值分解 (Eigendecomposition)，找到對應較大特徵值的主成分（特徵向量）。PCA 要求數據矩陣是方陣（協方差矩陣）或至少需要中心化處理。
- SVD 可以應用於任何形狀的實數或複數矩陣 M，將其分解為 M = UΣVᵀ。其中 U 和 V 是正交矩陣，Σ 是對角線元素為奇異值的對角矩陣。U 的列向量構成了 M 列空間的正交基，V 的列向量構成了 M 行空間的正交基。

關係與比較：
- PCA 可以透過對數據矩陣（通常需要先中心化）進行 SVD 來實現。 - SVD 的適用範圍更廣，它可以分解任何矩陣，而 PCA（基於協方差矩陣的特徵分解）通常要求矩陣是對稱的（如協方差矩陣）。
- SVD 直接提供了行空間和列空間的正交基（U 和 V），而 PCA 主要關注的是捕捉數據最大變異的方向（主成分）。

分析選項：
(A) 錯誤。SVD 適用性更廣。
(B) 錯誤。SVD 提供了列空間（由 U 的列向量構成）和行空間（由 V 的列向量構成）的基底。「橫列」可能指行空間，但只說提供橫列基底不完整。
(C) 錯誤。PCA 主要提供數據投影方向（主成分），不直接提供嚴格意義上的行和列空間基底（儘管與 SVD 的 V 有關）。
(D) 正確。由於 SVD 可以分解任意矩陣，而基於特徵分解的 PCA 通常需要處理方陣（協方差矩陣），因此 SVD 在數學上更具有一般性，且 PCA 可以視為 SVD 的一種應用。
因此，正確的敘述是(D)。

基於對 `mtcars` 數據集的普遍認知和假設的附圖：
- hp (Gross horsepower): 汽車的馬力。
- mpg (Miles/(US) gallon): 汽車的燃油效率，每加侖汽油能跑多少英里。

通常情況下，馬力 (hp) 越高的汽車，其燃油效率 (mpg) 會越低（更耗油）。因此，hp 和 mpg 之間預期存在負相關關係。散佈圖上會看到數據點大致從左上向右下分佈。

分析選項：
(A) 錯誤。預期是負相關，而非正相關。
(C) 錯誤。兩者之間通常存在明顯的負相關性。
(B) & (D) 這兩個選項比較的是繪製圖形的 R 語言代碼。ggplot2 是 R 中非常流行的繪圖套件。繪製 hp vs mpg 的散佈圖的基本語法是：
`ggplot(data = mtcars, aes(x = hp, y = mpg)) + geom_point()`
其中：
- `ggplot()`: 初始化繪圖對象，指定數據來源 `mtcars` 和美學映射 `aes()`（x 軸對應 hp，y 軸對應 mpg）。
- `geom_point()`: 添加散點圖層。

假設選項 (D) 提供了正確或接近正確的 `ggplot2` 代碼來生成假設的圖（如解析中所示的代碼），而選項 (B) 的代碼是錯誤的。那麼選項 (D) 是正確的。
因此，選擇 (D)。

兩個向量 A 和 B 的餘弦相似度 (Cosine Similarity) 計算公式為：
Cosine(A, B) = (A · B) / (||A|| * ||B||)
其中：
- A · B 是向量 A 和 B 的點積 (Dot Product)。
- ||A|| 和 ||B|| 分別是向量 A 和 B 的歐幾里得範數 (Euclidean Norm) 或長度。

給定向量：
A = <2, 0, 0>
B = <2, 2, 1>

計算點積：
A · B = (2 * 2) + (0 * 2) + (0 * 1) = 4 + 0 + 0 = 4

計算範數（長度）：
||A|| = sqrt(2² + 0² + 0²) = sqrt(4) = 2
||B|| = sqrt(2² + 2² + 1²) = sqrt(4 + 4 + 1) = sqrt(9) = 3

計算餘弦相似度：
Cosine(A, B) = 4 / (2 * 3) = 4 / 6 = 2 / 3 ≈ 0.666...

最接近的數字是 0.67。

PCA 是一種特徵萃取和降維技術。
(A) 錯誤。PCA 降維後通常得到 2 或 3 個主成分，可以用散佈圖來視覺化高維數據的結構，而不是用長條圖。長條圖主要用於比較類別數據。
(B) 錯誤。PCA 的目標是找到一組新的、彼此不相關（正交）的主成分變數，這些新變數是原始變數的線性組合。它不是將低度相關的變數轉換成相關的變數，而是將可能相關的原始變數轉換成不相關的主成分。同時，PCA 是降維技術，目標是減少變數數量，而不是產生「量多」的潛在變數。
(C) 錯誤。PCA 旨在保留原始數據中變異最大的方向（通常假設這代表主要訊息），而丟棄變異較小的方向（可能包含雜訊）。它試圖分離訊息和雜訊，而不是將它們結合。
(D) 正確。這正是特徵萃取的核心思想。PCA 將原始的多個變數（可能相關）線性組合，產生新的、數量較少、彼此不相關的主成分變數。這些主成分按其解釋的數據變異量排序，前幾個主成分通常包含了原始數據的大部分信息（訊息力），可以用來替代原始變數進行後續分析或建模，實現降維。
因此，最能描述 PCA 主要用途的是(D)。

分析各方法對離群值和類別屬性的處理能力：
(A) K-means: 使用平均數作為質心，對離群值敏感。原生 K-means 需要數值型數據來計算距離和平均數，不直接處理類別屬性（需要先編碼）。
(B) K-medoids (例如 PAM 演算法): 與 K-means 類似，但它選擇實際的數據點（稱為代表點 medoid）作為群集中心，而不是計算平均值。因為使用實際數據點，它對離群值比 K-means 更不敏感（更穩健）。此外，K-medoids 可以使用任意的距離或非相似性度量，因此更容易擴展到處理混合類型（包括類別）屬性的數據（例如使用 Gower 距離）。
(C) KNN: 是監督式學習的分類/迴歸方法，不是集群方法。
(D) K-SVD: 是一種用於稀疏表示和字典學習的演算法，與標準的集群分析不同。

因此，K-medoids 是更適合處理包含離群值和類別屬性的集群問題的方法。

在 R 語言的 arules 套件中，處理關聯規則（通常是 `rules` 類型的物件）時：
- `inspect()`: 是最常用來查看關聯規則詳細內容的函數，包括規則本身（LHS -> RHS）以及 support, confidence, lift 等指標。
- `quality()`: 用於提取或訪問關聯規則物件中儲存的品質指標（如 support, confidence, lift 等）。你可以用 `quality(rules)` 來獲取一個包含這些指標的 data frame。
- `show()`: 是一個泛型函數，對於 `rules` 物件，它通常會調用 `inspect()` 或提供一個簡要的摘要。
- `view()`: 通常不用於 `arules` 套件中的規則對象。在 RStudio 中，`View()` (大寫 V) 用於在視窗中查看 data frame 等物件。
- `exam()`: 不是 `arules` 套件的標準函數。

題目問哪個指令可「顯示」這些結果。雖然 `inspect()` 是最常用的交互式查看方式，但 `quality()` 可以直接提取這些指標值。如果將「顯示」理解為提取這些值以便進一步處理或查看，`quality()` 是最直接相關的函數。`inspect()` 則是以更易讀的格式「展示」規則及其品質指標。
*考量到選項中沒有 `inspect()`，而 `quality()` 確實是用來訪問這些品質指標值的函數，故選 B。*

(A) 雷達圖：比較多個變數在不同個體上的表現。
(B) 泡泡圖：是散佈圖的變種，用點的大小表示第三個變數的值。
(C) 盒鬚圖（箱形圖）：其設計目的之一就是識別和顯示數據中的離群值（極端值）。落在箱鬚之外的點通常被標示為潛在的極端值。
(D) 桑基圖：用於視覺化流量或能量在不同階段或節點之間的流動和分配情況。

因此，常用來觀察極端值分佈的是盒鬚圖。

這題與 112 年 Q7 類似。
(A) 圓餅圖：顯示靜態比例。
(B) 三元圖：用於視覺化三個組成部分（其總和為常數，如 100%）的相對比例，通常用於地質學、化學等領域。
(C) 直方圖：顯示單一變數的分佈。
(D) 折線圖：將數據點按時間順序連接，是呈現時間序列數據變化趨勢的最常用、最直觀的圖表類型。
因此，最常用來呈現時間資料趨勢的是折線圖。

(A) 正確。非監督式學習處理的是未標記的數據，即沒有預先定義的目標變數或應變項。
(B) 正確。集群分析（分群）是非監督式學習的主要任務之一，其目標是將數據劃分為有意義的群組，以便後續分析每個群組的特性。
(C) 錯誤。
- 迴歸分析是監督式學習方法，用於預測連續數值，不是分類。
- K-means 是非監督式學習方法，用於集群分析（分群），不是分類（分類需要預先定義好的類別標籤）。
因此，這個敘述是錯誤的。
(D) 正確。非監督式學習的核心目的就是探索數據內在的結構、模式、關係和分佈趨勢。
故錯誤的敘述是(C)。

(A) 正確。K-means 需要預先指定 K 值。初始化質心的方法可以是隨機選擇 K 個點，或者使用更智能的方法（如 K-means++）來選擇初始點，也可以由用戶指定初始點。
(B) 正確。K-means 的目標函數通常是最小化群內平方和 (WCSS)，即最小化每個點到其所屬群集質心的距離平方和。WCSS 值越小，表示群內點越密集，離散程度越小，分群效果通常認為越好（對於 K-means 的目標而言）。
(C) 錯誤。<標準的 K-means 演算法是基於距離（通常是歐幾里得距離）來計算點與質心的遠近並進行分配。使用密度概念的是 DBSCAN 等基於密度的聚類演算法。雖然可能有 K-means 的變體使用其他度量，但標準 K-means 不直接使用亂度或密度。
(D) 錯誤。K-means 是一種硬分群 (Hard Clustering) 或互斥分群 (Exclusive Clustering) 方法，即每個數據點最終只會被分配到唯一的一個群集中，不會同時屬於多個群集。允許點屬於多個群集的是軟分群 (Soft Clustering) 或模糊分群 (Fuzzy Clustering) 方法（如 Fuzzy C-Means）。
因此，錯誤的敘述是 (D)。(C) 也可能被視為錯誤，但 (D) 描述了 K-means 一個非常基本的特性，其錯誤更為明確。