下列哪一種特徵工程技巧，最適合將「星期幾」和「24 小時制時間」 這兩個欄位結合，以預測通勤時間？

在零售業進行客戶行為分析時，資料倉儲中發現多個欄位儲存相同的購買金額資訊 （例如 ： amount_usd 、 total_price、 transaction_value） ， 但其單位、命名慣例及格式不一致，進而導致特徵工程階段混淆模型輸入。針對此種跨欄位語義重疊與結構冗餘問題，下列哪一種資料處理策略最合適且具實務可行性？

一家旅遊平台希望建立模型，預測顧客下次是否會再次透過該平台訂房。資料包含：顧客 ID、年齡、旅遊次數、平均花費金額、主要交通方式（火車/飛機/自駕/公車） 、會員等級（普通/進階/白金） 、是否為海外旅遊等。下列哪一種特徵工程方法最適合處理 「主要交通方式」欄位？

某公司欲建立員工離職風險預測模型，資料集中包含 「年度績效分數」 、 「平均每月加班時數」 、 「年齡」 等數值型特徵。由於各特徵的數值範圍差異極大（例如績效分數 1–5、加班時數 0–80、年齡 20–65） ，若直接輸入至使用梯度下降的邏輯迴歸(Logistic Regression)模型，可能導致模型收斂緩慢或權重偏斜。為提升模型訓練效率與準確度，下列哪一種特徵工程方法最適合應用於這些數值特徵？

某零售業者建立顧客行為預測模型，資料集中包含「年消費金額」 、 「平均單筆交易金額」及「會員年資」等數值型特徵。資料分析顯示，部分金額特徵呈現高度偏態分布，少數樣本的數值顯著高於多數觀測值。為降低極端值對模型學習穩定性的影響，下列哪一種特徵工程方法最適合？