---
title: "穩健縮放（Robust Scaling）"
slug: robust-scaling
language: zh-TW
source: https://aiterms.tw/terms/robust-scaling
updated_at: 2026-07-30
tags: [資料預處理, 特徵縮放, 離群值處理, 機器學習, 統計學]
ipas_term: false
---

# 穩健縮放（Robust Scaling）

使用中位數與四分位距進行特徵縮放的預處理方法，對離群值不敏感，適合含極端值的資料集。

## 完整說明

穩健縮放（Robust Scaling）是一種資料預處理中的特徵縮放方法，以中位數（median）為中心、四分位距（Interquartile Range，IQR）為尺度對特徵進行標準化。相較於以平均值和標準差為基礎的 Z-score 標準化，穩健縮放在資料集含有極端離群值時，能有效避免縮放結果被少數異常點所扭曲，使大多數特徵值落在更合理的相對範圍內。

## 常見問題

### 穩健縮放和 Z-score 標準化應該如何選擇？

選擇縮放方法的關鍵依據是資料的分佈特性，尤其是離群值的存在與否。Z-score 標準化（StandardScaler）適合資料大致呈常態分佈且離群值較少的情況，它讓特徵具有零均值與單位方差，對後續使用高斯假設的模型（如線性迴歸、邏輯迴歸、SVM）尤其有利。穩健縮放（RobustScaler）則適合資料存在明顯離群值的情況，此時平均數與標準差已被拉偏，Z-score 標準化會使絕大多數正常樣本的縮放值落在很窄的範圍，損失特徵間的相對資訊量。判斷方式：先繪製箱型圖（box plot）觀察異常值比例；若四分位距之外存在大量極端點（超過 5% 樣本），優先考慮穩健縮放。若不確定，兩種方法都可以作為 pipeline 的一部分，透過交叉驗證比較下游模型的效能後再決定。

### 穩健縮放之後離群值還會存在嗎？

是的，穩健縮放並不移除或修改離群值，它只是改變特徵的縮放基準。縮放後，離群值仍然存在於縮放後的特徵空間中，只是它們的數值大小（絕對值）會相對正常樣本更大。穩健縮放的設計目標是確保中段正常資料獲得合理的縮放範圍，讓離群值不去「壓縮」正常資料的表示空間，而非消除離群值本身。如果下游任務對離群值非常敏感（如某些距離基礎的聚類演算法），縮放後仍可能需要另行處理離群值（如截斷法 winsorization、移除法或單獨標記）。若業務目標本身是偵測離群值（如詐欺偵測），則應謹慎評估穩健縮放是否會削弱離群值與正常值之間的可辨識差異。

### 穩健縮放在 iPAS 考試中會考哪些題型？

根據 114-2-mid-2 的出題模式，穩健縮放在 iPAS AI 應用規劃師中級考試中主要以兩類題型出現。第一類是情境選擇題：題目描述一個資料集的特性（如「包含大量離群值」「具有偏態分佈」），要求考生選出最適合的前處理方法，此時穩健縮放是對應「有離群值」情境的正確答案。第二類是概念辨別題：列出 Min-Max 縮放、Z-score 標準化、穩健縮放等方法，要求考生配對各方法使用的統計量（中位數 + IQR 對應穩健縮放，均值 + 標準差對應 Z-score，最小值 + 最大值對應 Min-Max）。考生若能記住穩健縮放使用中位數（而非均值）和 IQR（而非標準差），並理解「對離群值穩健」的統計原因，即可應對絕大多數相關考題。

---

來源：https://aiterms.tw/terms/robust-scaling
快查頁：https://aiterms.tw/terms/robust-scaling
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-robust-scaling