如果測試資料（模型尚未看過）的分佈與訓練資料的分佈差異很大，會出現哪些問題？在將資料送入 ML 模型前，可以對資料施作哪些轉換？為什麼需要進行這些轉換？
請選出錯誤的敘述：
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在本課程的第一章中，你將完成建立預測型機器學習模型所需的所有前處理步驟，包括如何處理遺漏值與離群值，以及如何對資料集進行正規化。
當前練習
在第二章中，你將練習監督式機器學習的多個面向，例如選取最佳特徵子集、使用正規化避免模型過度擬合、特徵工程，以及透過集成模型處理所謂的偏差—變異權衡。
在第三章中，你將運用非監督式學習進行特徵萃取與用於降維的視覺化技巧，並運用分群方法為資料集選擇合適的分群演算法與最佳群數。
在本課程的第四章也是最後一章中，你將更進一步，運用自助抽樣與交叉驗證來評估模型泛化效能，對不平衡類別使用重抽樣技術，偵測並移除多重共線性，並建立一個集成模型。
