在「可解釋人工智慧（Explainable AI, XAI） 」領域中，LIME（Local Interpretable Model-agnostic Explanations）方法最核心的應用目的是什麼？

資料科學團隊在模型訓練前，需對數值特徵進行正規化（Normalization）或標準化（Standardization） 。為確保模型評估結果具真實性並避免資料洩漏（Data Leakage） ，下列何者為最適當的作法？

某團隊訓練影像分類模型，發現模型在訓練資料上的準確率達 98%，但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力，並增加訓練資料的多樣性，下列何者最適合？

某能源公司以過去三年每小時用電資料建立需求預測模型，並以 5-fold 交叉驗證評估，但上線後誤差偏高。技術主管認為問題出在資料分割方式。下列何者最能說明使用標準 k-fold 交叉驗證的根本問題？

某電商平台建置機器學習模型，用於預測用戶在瀏覽特定商品後的購買機率。 模型上線初期表現穩定，但維運團隊在定期審查中發現兩種不同情形： 情形甲：模型上線半年後恰逢消費趨勢轉變，過去高購買意願的用戶行為模式 （如長時間停留商品頁）不再是強烈的購買訊號，即便輸入特徵分布與訓練期相近，模型預測準確率仍明顯下降。 情形乙：平台新增了行動裝置端的入口，新用戶的年齡分布、裝置類型與使用時段特徵與原訓練資料差異顯著，導致模型對這批用戶的預測偏差增大。 下列哪一項最能正確對應兩種情形所屬的模型劣化類型？