40. 下列何者不屬於非監督式學習的演算法？
(A) PCA
(B) Hierarchical-Clustering
(C) Auto-Encoder
(D) XGBoost

非監督式學習（Unsupervised Learning） 是指沒有標籤（label）的機器學習方法，主要目標是發掘數據的內部結構，如降維（Dimensionality Reduction）、聚類（Clustering）、**特徵學習（Feature Learning）**等。

• 典型的非監督式學習演算法包括：
  • PCA（主成分分析） → 降維
  • Hierarchical Clustering（階層式分群） → 分群
  • Auto-Encoder（自編碼器） → 特徵學習、降維

監督式學習（Supervised Learning） 則是**有標籤（label）**的學習方法，典型的演算法包括：

• XGBoost（Extreme Gradient Boosting）
• Random Forest
• Support Vector Machine（SVM）
• Linear Regression

選項分析：

(A) PCA（主成分分析） ✅ (非監督式學習)

• PCA（Principal Component Analysis） 是一種降維演算法，不需要標籤資訊，因此屬於非監督式學習。
• 主要用於數據壓縮、去除冗餘信息、提高模型計算效率。

(B) Hierarchical Clustering（階層式分群） ✅ (非監督式學習)

• 階層式分群（Hierarchical Clustering） 是一種聚類（Clustering） 方法，目標是將數據分成不同的群組。
• 不需要標籤，完全屬於非監督式學習。

(C) Auto-Encoder（自編碼器） ✅ (非監督式學習)

• 自編碼器（Auto-Encoder） 是一種基於神經網路的降維與特徵學習方法，可以用來學習數據的低維表示。
• 它的訓練過程不需要標籤，因此是非監督式學習的一種。

(D) XGBoost（Extreme Gradient Boosting） ❌ (錯誤，正確答案)

• XGBoost 是監督式學習方法！
• 它是一種 梯度提升樹（Gradient Boosting Trees, GBT） 演算法，專門用來處理分類和回歸問題，必須有標籤數據進行訓練。
• 所以 XGBoost 不是非監督式學習，而是監督式學習！

正確答案：

✅ (D) XGBoost (XGBoost 是監督式學習，不屬於非監督式學習！)

答案是：
(D) XGBoost ❌不屬於非監督式學習的演算法

解析：

機器學習 (Machine Learning) 可分為 監督式學習 (Supervised Learning) 和 非監督式學習 (Unsupervised Learning)：

• 監督式學習：有標籤 (labeled data)，目標是學習從輸入 XXX 到輸出 YYY 的映射，如 分類 (Classification) 和 回歸 (Regression)。
• 非監督式學習：沒有標籤 (unlabeled data)，主要目的是探索數據的內部結構，如 降維 (Dimensionality Reduction) 和 分群 (Clustering)。

選項分析

✅ (A) PCA (主成分分析, Principal Component Analysis)

• 非監督式學習
• 一種 降維 (Dimensionality Reduction) 方法，目標是透過線性變換找到數據中最具變異性的方向，使資料能夠用較少的維度表示。

✅ (B) Hierarchical Clustering (階層式分群)

• 非監督式學習
• 一種 分群 (Clustering) 方法，利用樹狀結構逐步合併或分割數據點來建立層級式關係。

✅ (C) Auto-Encoder (自動編碼器)

• 非監督式學習
• 一種 神經網路 (Neural Network) 形式的降維方法，透過隱藏層學習資料的低維度表示，應用於 特徵學習 (Feature Learning) 和降維 (Dimensionality Reduction)。

❌ (D) XGBoost (極端梯度提升, Extreme Gradient Boosting)

• 監督式學習
• 一種 提升樹 (Boosting Trees) 演算法，通常用於分類 (Classification) 或回歸 (Regression) 問題，需要有標籤資料 (labeled data) 來訓練模型。

結論

✔ XGBoost 是監督式學習的演算法，因此答案是 (D)。