我們在「資料處理與分析概念」中完成了數據的蒐集與清洗，現在我們的數據雖然乾淨了，但還不能直接餵給機器學習模型！為什麼呢？因為數據的「形狀」和「尺度」還沒有調整到模型最喜歡的樣子！
接下來，我們要進入AI專案中一個極度考驗細心和專業度、但又常常被新手忽略的環節——數據轉換（Data Transformation）！數據轉換是將原始數據轉化為高品質且適合分析的格式的關鍵步驟。
📐 為模型量身定制數據：數據轉換的四大核心任務！
💻 數據轉換：由原理到應用
1. 什麼是數據轉換？
數據轉換的目標，是將經過清洗後的數據，調整成最適合機器學習演算法處理和分析的格式。白話比喻：為模型準備食譜 如果說數據清洗是檢查食材是否新鮮、丟棄壞掉的部分；那麼數據轉換就是嚴格按照食譜要求，將所有食材切塊、秤重、攪拌均勻。例如，模型可能不接受字串（如：「男性」），我們就需要將它轉換為數值（如：1）。又或者，如果房價數據是幾百萬，而房屋的坪數是幾十，兩者的尺度差異太大，模型就容易被「大數字」帶偏，這時我們就需要進行標準化。
簡單來說，它就是... 確保所有數據都能以統一、標準、可比較的格式進入模型，提高模型的訓練效率和準確性。
2. 數據轉換的四大核心任務
數據轉換涵蓋了多種技術，以確保數據能夠消除變數之間的單位影響，並在模型中具有可比性。
💡 核心知識點：標準化與降維的進階理解
標準化 (Normalization/Standardization)
這是最常規且重要的轉換步驟。在模型訓練中，特別是使用梯度下降（Gradient Descent）等對特徵尺度敏感的演算法時，數據標準化至關重要。
- Min-Max Scaling（最小-最大標準化）： 將數據映射到 0 到 1 的區間。
- Z-score Standardization（Z-分數標準化）： 將數據轉換為均值為0、標準差為 1 的分佈。
降維 (Dimensionality Reduction)
這是數據縮減的一種重要方法。當數據具有大量冗餘或高度相關的特徵時，降維技術，例如主成分分析 (Principal Component Analysis, PCA)，可以透過線性變換將高維數據壓縮到低維空間，同時保留數據的主要信息，從而提升模型的效率。
白話講，它的作用就像是... 數據在進入健身房（模型訓練）前，必須先做好的熱身和塑形工作，確保每個特徵都在同一條起跑線上！
💼 情境案例應用：電商客戶價值預測
你是一個電商公司的AI應用規劃師，準備使用迴歸模型來預測客戶的終身價值 (Customer Lifetime Value, CLV)。你從數據庫中導出了一批數據，包括客戶的年齡（連續型）、近半年總消費金額（數值型）以及居住城市（類別型）。
- 初級數據分析師 (擔心地說)： 「主管，我發現『總消費金額』的數值範圍從幾百元到幾百萬元不等，而『年齡』只到 70歲。如果我們直接訓練模型，總消費金額的影響會不會蓋過年齡？」
- AI規劃師 (你，指導地回答)： 「是的，這就是為什麼我們需要『數據轉換』。請執行以下步驟，確保數據的格式和尺度是合適的：」
- 處理數據標準化： 「針對『總消費金額』和『年齡』這兩個數值型特徵，由於它們的量級差距太大，我們必須使用 Z-score 標準化。將它們都轉換為均值為 0、標準差為 1 的分佈。這樣，模型在訓練時才不會因為消費金額的『大數字』而產生偏誤，這確保了數據在模型中具有可比性。」
- 處理數據類型轉換： 「針對『居住城市』，這是類別型特徵。模型不能直接讀取『臺北』、『高雄』這樣的字串。請將它轉換為數值格式，例如進行 One-Hot Encoding，這就是數據類型轉換的典型應用。」
- 評估降維需求： 「如果我們最終決定添加上百個產品的『點擊次數』特徵，導致維度過高，我們就要考慮使用PCA（主成分分析）進行數據縮減，以提取核心特徵並提升運算效率。」
通過這些轉換步驟，我們將原始數據有效地調整成模型可以高效學習的格式，為準確的 CLV 預測奠定了堅實的基礎。
