39. 屬性萃取（feature extraction）是指將原始資料的屬性進行結合，以產生新的代理變數（surrogate variables），下列常用的降維（Dimension Reduction）方法何者「不屬於」屬性萃取的方式？
(A) 非負矩陣分解（non-negative matrix factorization）
(B) 因子分析（factor analysis）
(C) 集群（clustering）
(D) 類神經網絡之自動編碼器（auto-encoders）

屬性萃取（Feature Extraction） 是指將原始變數轉換為新的代理變數（Surrogate Variables），以保留最重要的資訊，同時降低維度。這些方法通常會改變原始變數的表示方式，例如 PCA、Autoencoders、NMF、因子分析 等。

然而，某些降維技術並不會創造新的代理變數，而是將資料分組或分類，例如「集群（Clustering）」，這種方法比較偏向資料分群，而非特徵萃取。

選項分析

(A) 非負矩陣分解（Non-Negative Matrix Factorization, NMF）

✅ 屬於屬性萃取

• NMF 透過將原始數據矩陣分解為兩個較小的非負矩陣，以萃取新的特徵表示方式：
  • 例如，應用於文本分析（Topic Modeling），將文件轉換為不同主題的權重。
  • 用於影像處理時，可提取主要結構和特徵。
• NMF 會產生新的代理變數，因此屬於屬性萃取（Feature Extraction）。

(B) 因子分析（Factor Analysis, FA）

✅ 屬於屬性萃取

• 因子分析的目標是找到少數「潛在變數（Latent Variables）」來解釋數據中的變異性。
• 例如，在心理測驗中，可能用「智力」這個因子來解釋不同的測驗項目，而不是直接使用原始測驗分數。
• 因為因子分析會生成新的代理變數（因素），所以屬於屬性萃取方法。

(C) 集群（Clustering）

❌ 不屬於屬性萃取（本題答案）

• Clustering 是資料分群技術，而不是屬性萃取。
  • 聚類方法（如 K-means, DBSCAN, 階層式聚類） 會將數據點分配到不同的群組，而不會改變數據的特徵空間。
  • 不會創造新的數據變數，而只是給每個數據點分配一個群組標籤（如「A 類群、B 類群」）。
• 由於集群不會產生新的代理變數，而只是進行數據分類，因此不屬於屬性萃取。

(D) 類神經網絡之自動編碼器（Autoencoders）

✅ 屬於屬性萃取

• Autoencoders（自動編碼器）透過神經網路學習一組新的、壓縮的特徵來表示數據：
  • 例如，輸入 100 維數據，Autoencoder 可能會學習到 10 維的低維表示（Latent Space）。
  • 這些新的特徵變數是神經網路學習出的 壓縮表示（Compressed Representation），因此屬於特徵萃取。
• Autoencoders 會產生新的代理變數，因此屬於屬性萃取。

結論

✅ 屬於屬性萃取的降維方法（正確選項）：

• (A) 非負矩陣分解（NMF）
• (B) 因子分析（FA）
• (D) 自動編碼器（Autoencoders）

❌ 不屬於屬性萃取（本題答案）：

• (C) 集群（Clustering）（因為它只是將數據分群，而不會改變數據的特徵空間）

? 本題正確答案：「(C)」