49. 關於監督式學習，下列敘述何者不正確？
(A) 模型的訓練資料必須有應變項
(B) 訓練資料不一定為連續型資料
(C) 主成分分析是一種監督式學習的方法
(D) 訓練資料過少時，可利用 Bootstrap（拔靴法）進行修正

答案是：
(C) 主成分分析是一種監督式學習的方法 ❌不正確

解析：

監督式學習 (Supervised Learning) 指的是訓練數據包含標籤 (Labeled Data)，即模型學習從輸入 XXX 到輸出 YYY 的映射關係，應用於分類 (Classification) 或回歸 (Regression) 問題。

選項分析

✅ (A) 模型的訓練資料必須有應變項 ✅ 正確

• 監督式學習的訓練數據包含輸入特徵 (Feature, XXX) 和對應的目標標籤 (Target, YYY)，否則模型無法學習映射關係。

✅ (B) 訓練資料不一定為連續型資料 ✅ 正確

• 監督式學習可以處理連續型 (數值型) 和離散型 (類別型) 資料：
  • 若輸出是連續數值 (如房價預測)，則是回歸 (Regression) 問題。
  • 若輸出是類別標籤 (如垃圾郵件識別)，則是分類 (Classification) 問題。

❌ (C) 主成分分析 (PCA) 是一種監督式學習的方法 ❌錯誤

• PCA (Principal Component Analysis, 主成分分析) 是非監督式學習的一種降維方法，主要用於：
  • 特徵降維 (Dimensionality Reduction)。
  • 資料可視化 (Visualization)。
  • 去除共線性 (Removing Multicollinearity)。
• PCA 不使用標籤 (Y)，因此屬於非監督式學習 (Unsupervised Learning)。

✅ (D) 訓練資料過少時，可利用 Bootstrap（拔靴法）進行修正 ✅ 正確

• Bootstrap (拔靴法) 是一種重採樣技術 (Resampling)，透過隨機抽樣 (可重複) 產生多個樣本集，幫助提升模型的泛化能力。
• 在訓練數據較少的情況下，可以用 Bootstrap 來生成不同的樣本來改善學習效果，這在Bagging (如隨機森林, Random Forest) 中被廣泛應用。

結論

✔ 「不正確的敘述」是 (C) 主成分分析 (PCA) 是監督式學習的方法，因為 PCA 是非監督式學習方法。