某零售電商平台計劃建置機器學習模型分析會員行為。在資料預處理階段，資料科學團隊發現會員的「年消費總額」與「月到訪次數」數值範圍差異較大，可能影響部分機器學習模型的訓練效果，因此決定採用 Z-Score 標準化（Standardization）進行特徵縮放。已知該平台全體會員的「年消費總額」平均值為 30,000 元，標準差為 5,000 元。若某位 VIP 會員的年消費總額為 40,000 元，下列敘述何者正確？
答案 （B）
核心概念
Z-Score 只做一件事：把數值換算成「離平均值幾個標準差」。
公式：Z-Score ＝（原始值 － 平均值）÷ 標準差。
代入：（40,000 － 30,000）÷ 5,000 ＝ 2，這位會員的年消費比平均高兩個標準差。
標準化（Standardization）轉換後平均值變 0、標準差變 1，但分布的形狀不會變，數值也沒有上下限。它的用途是把不同單位的特徵拉到同一個尺度，讓「年消費總額」與「月到訪次數」可以一起餵給模型。
答題技巧
快速判斷技巧：先算數字，再對兩個常見誤解：範圍與分布形狀。 ・（原始值 － 平均值）÷ 標準差 → Z-Score ・轉到 0 至 1 → 最小最大正規化（Min-Max Normalization），跟 Z-Score 無關 ・分布形狀 → 轉換前後一樣
易錯陷阱：(C) 是最常見的誤解，很多人以為「標準化」等於「變常態」。 關鍵差異：Z-Score 只平移與縮放，形狀原封不動。 (A) 把 Z-Score 跟 Min-Max 搞混，「0 到 1」是 Min-Max 的特徵。