解析：
One-hot 編碼是用來將類別型特徵轉換為數值的方法，不適用於處理數值型的離群值。將數值離群值轉為類別特徵會破壞原始資料的數值意義，無法正確處理離群值問題。
你有沒有注意過，很多自然現象都會圍著平均值上下波動？ 你可以把它想成大多數人都靠近中間，只有少數人特別高或特別矮的那種鐘形分佈。 常態分佈是統計裡最重要的分佈之一，很多測量誤差和自然變異都接近它。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
常態分佈 vs 均勻分佈 常態分佈：中間多、兩邊少 均勻分佈：每個區間機會差不多 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
常態分佈 vs 偏態分佈 常態分佈：左右對稱 偏態分佈：一邊拖尾比較長 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
大多數值靠中間，少數值在兩邊。
實際案例
身高 成年人的身高常在平均值附近聚集，極端高或極端矮都少。
量測誤差 儀器每次量到的值會微微晃動，常接近常態分佈。
算法與應用
常態分佈由平均數和標準差決定形狀。 很多統計方法之所以好用，就是因為中央極限定理讓它們很常接近常態。 如果資料明顯偏斜，就不能硬當成常態。
情境判斷
Q1（直覺題）： 你量很多次同一個人的身高，結果大多在平均附近，這像什麼分佈？
常態分佈。
Q2（判斷題）： 如果資料一邊很長尾，還能直接當常態嗎？
不一定，得先看偏態和尾巴長度。
常見問題
標準常態分佈是什麼？
就是平均數 0、標準差 1 的常態分佈。
它一定出現在自然界嗎？
不是，但很多獨立誤差加總後會接近它。
為什麼機器學習常看到它？
因為很多模型、評估和誤差分析都會用到。
範例考題
某保險公司建立 AI 理賠金額預測模型。歷史理賠資料經檢定後呈近似常態分佈，但仍存在少數極端高額案件。資料科學團隊在不破壞整體分佈特性的前提下，規劃進行離群值處理。下列何者最不適當？
- A. 依統計準則（如 Z-score 或 IQR）評估後，再決定是否調整或處理極端值
- B. 採用截尾（Trimming）處理極端值，以提升模型穩定性
- C. 使用 One-hot 編碼（One-hot Encoding）將離群值轉換為類別特徵以改善數值穩定性 ✓ 正確答案
- D. 結合領域知識評估其合理性，再決定保留或修正