比較 Clustering 的 Distance Measures，並說明 Variable Scale 為何需要 Standardization。
辨識 Euclidean、Squared Euclidean、Mahalanobis Distance 的原書定位，以及不同尺度造成的偏差。
Clustering 需要以 Distance 量化 Observations 的 Closeness；若 Variables 的 Magnitude 不同，距離可能被某個 Variable 主導。
| 方法／情境 | 原書說明 |
|---|---|
| Euclidean | 多維 Euclidean Space 中的直線距離 |
| Squared Euclidean | 對較大距離給予更高懲罰 |
| Mahalanobis | 使用 Standard Deviations 衡量距離 |
| 尺度例子 | Distance from City Centre 與 Income |
先檢查 Variables 的 Scale／Magnitude，再 Standardize，使各變數可比較，之後才計算 Closeness 並執行 Clustering。
原書此段沒有提供具體 Observation 數值，因此不自行計算 Distance。
Distance Measure 與 Standardization 是模型設定，不是中性的操作細節；尺度差異會影響最後 Cluster Membership。
「檢查以下 Clustering Variables 的量尺是否可直接比較，指出哪些可能需要 Standardization；不要自行產生資料值。」
題目： Income 數值範圍遠大於距離市中心時，未 Standardize 有何風險？
參考解答： 原書指出 Closeness Measure 會因兩者不在相似 Scale 而被扭曲。