31. 關於主成分分析（Principal Component Analysis, PCA）屬性萃取的主 要用途，下列敘述何者正確？
(A) 以長條圖視覺化多變量資料
(B) 將低度相關的預測變數矩陣 x，轉換成相關且量多的潛在變項集合
(C) 將最攸關的訊息與無關的雜訊結合
(D) 將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數

解析各選項，找出「正確」的敘述：

(A) 以長條圖視覺化多變量資料

• ❌ 錯誤
• PCA 的主要目標不是長條圖視覺化，而是降維（Dimensionality Reduction） 和 特徵萃取（Feature Extraction）。
• 常用的 PCA 視覺化方法包括：
  • 碎石圖（Scree Plot） → 顯示主成分的解釋變異數比例
  • 雙標圖（Biplot） → 顯示變數和樣本在主成分空間的分佈
• 長條圖並非 PCA 的典型視覺化工具，因此 錯誤。

(B) 將低度相關的預測變數矩陣 x，轉換成相關且量多的潛在變項集合

• ❌ 錯誤
• PCA 主要的目標是將原始變數轉換成「線性不相關（uncorrelated）」的新變數（主成分, Principal Components, PC）。
• 錯誤點：
  • PCA 不是增加變數數量，而是降低維度（即減少變數數量）。
  • PCA 不是讓變數變得相關，而是讓新主成分之間互不相關。
• 正確的敘述應該是：「將高度相關的變數轉換成互不相關的主成分」。

(C) 將最攸關的訊息與無關的雜訊結合

• ❌ 錯誤
• PCA 目標是分離訊息與雜訊，而非結合。
• PCA 會：
  • 保留最具變異量（variance）的資訊，以便壓縮數據。
  • 忽略變異量小的成分，這些成分通常包含雜訊。
• 因此 PCA 的作用是過濾雜訊，而不是把雜訊與重要資訊合併，所以此敘述錯誤。

(D) 將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數

• ✅ 正確（答案）
• PCA 的核心目標：
  • 透過線性變換（Linear Transformation），將高維數據映射到較少的「主成分」上，這些主成分是資訊最豐富的變數組合。
  • 這些新變數（主成分, PC）仍保留數據中的主要訊息，而降低維度，減少冗餘資訊。
• 這個選項正確描述了 PCA 的降維與特徵提取的核心用途。

結論

✅ 正確答案：(D) 將問題領域中的數個變數，組合成單一或數個具訊息力的特徵變數
❌ 錯誤選項：(A)、(B)、(C)

? 本題正確答案：「(D)」