分布描述資料怎麼散開。偏態是關鍵：右偏資料（收入、房價）的平均會被少數高值拉高，
這時用中位數才能反映多數人的真實狀況。
分布(Distribution)描述資料怎麼散開。最重要的概念是偏態(Skewness)：資料是對稱的鐘形，還是歪向一邊？收入、房價這類資料通常右偏（少數超有錢的把尾巴拉很長），這時「平均」會騙人，要看「中位數」。
左右平衡，平均≈中位數。
少數大值拉長右尾（如收入）。
少數小值拉長左尾。
右偏資料：平均 > 中位數（被高值拉高）。報「平均薪資」常讓人覺得「我怎麼沒這麼多」——因為被少數高薪拉高了，中位數才是多數人的真實感受。
拖動偏態程度，觀察平均和中位數怎麼分開。對稱時兩者重合；越偏，平均被尾巴拉得越遠，這時用中位數才能反映「典型值」。
記法：平均「重心」會被長尾那邊拉過去；中位數是「正中間那個人」，不受極端值影響。偏態大時，中位數更能代表多數人。
| 概念 | 意思 | 處理 |
|---|---|---|
| 常態分布 | 對稱鐘形 | 許多方法的前提假設 |
| 右偏(正偏) | 長尾在右(如收入) | log 轉換拉正 |
| 左偏(負偏) | 長尾在左 | 反射後轉換 |
| 類別不平衡 | 某類遠多於其他 | 重抽樣、調權重 |
資料分布與偏態影響分析與建模,iPAS 統計考點(中級科目二)。重點:看資料是常態、偏態還是長尾;許多方法假設常態,偏態資料(如收入、理賠額)常需轉換(取對數、Box-Cox)。易混點:平均數對偏態與離群敏感、會被拉偏,此時中位數更有代表性;常態假設不成立會讓某些檢定或模型失準。情境:判斷該不該轉換、用平均還是中位數描述。
想練情境題與詳解 → AI 學習與考證地圖
分布決定該用什麼統計量、轉換與模型假設；常態與否影響某些檢定是否適用，偏態會影響均值的代表性。
許多統計方法假設常態(部分檢定、線性迴歸殘差)；近似常態時均值與標準差才好用。可用直方圖、Q-Q 圖或檢定判斷。
分布不對稱(右偏常見於金額、次數)。可用對數、平方根、Box-Cox 等轉換使其較對稱，讓模型與統計更穩。
目標類別比例懸殊會讓模型偏向多數類、Accuracy 失真；需用重抽樣、調整權重或改看 F1 與 PR-AUC。
會，這就是資料漂移；上線後輸入分布改變會讓模型退化，需持續監控並在必要時再訓練。