40. 特徵萃取（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）。下列常用的降維方法中，何者 屬於特徵萃取的方式？
(A) 低變異過濾（Low Variance Filter）
(B) 多維尺度分析（Multidimensional Scaling）
(C) 隨機森林（Random Forests）
(D) 高相關過濾（High Correlation Filter）

解析各選項，找出屬於「特徵萃取（Feature Extraction）」的方法：

特徵挑選（Feature Selection） vs. 特徵萃取（Feature Extraction）

• 特徵挑選（Feature Selection）

  • 目標：從原始變數中「挑選」最具代表性的變數，移除冗餘或無效變數，不改變變數的結構。
  • 例如：高相關過濾（High Correlation Filter）、低變異過濾（Low Variance Filter）、LASSO。

• 特徵萃取（Feature Extraction）

  • 目標：將原始變數轉換成新的變數，這些新變數（代理變數, Surrogate Variables）可能無法直接對應到原始變數，但可以保留數據的關鍵資訊。
  • 例如：主成分分析（PCA）、多維尺度分析（MDS）、非負矩陣分解（NMF）。

選項分析

(A) 低變異過濾（Low Variance Filter）

• ❌ 錯誤（屬於特徵挑選）
• 低變異過濾 用於篩選出變異數極小的變數（例如標準差接近 0 的變數），因為這些變數對分類或回歸問題貢獻較小。
• 這是屬於 Feature Selection（特徵挑選），而非 Feature Extraction（特徵萃取）。

(B) 多維尺度分析（Multidimensional Scaling, MDS）

• ✅ 正確（屬於特徵萃取）
• 多維尺度分析（MDS）是一種特徵萃取方法，會將高維度的資料嵌入低維空間，例如：
  • 將資料從 10 維降到 2 維，以利於視覺化。
  • 根據資料點間的距離或相似性來計算新變數。
• 這是一種典型的降維技術，屬於特徵萃取（Feature Extraction）。

(C) 隨機森林（Random Forests）

• ❌ 錯誤（不屬於降維方法）
• 隨機森林（Random Forests）是監督式學習模型，主要用於分類與迴歸，並非降維技術。
• 雖然隨機森林可透過「特徵重要性（Feature Importance）」來選擇變數，但這屬於特徵挑選（Feature Selection），而非特徵萃取（Feature Extraction）。
• 因此不符合本題要求。

(D) 高相關過濾（High Correlation Filter）

• ❌ 錯誤（屬於特徵挑選）
• 高相關過濾（High Correlation Filter） 會計算變數之間的相關性，並移除那些高度相關的變數，以減少冗餘資訊。
• 這是 Feature Selection，而非 Feature Extraction，因為它只是刪除變數，而不會創造新的代理變數。

結論

✅ 正確答案（屬於特徵萃取）：
(B) 多維尺度分析（Multidimensional Scaling, MDS）

❌ 錯誤選項（屬於特徵挑選或非降維技術）：

• (A) 低變異過濾（Feature Selection）
• (C) 隨機森林（非降維技術）
• (D) 高相關過濾（Feature Selection）

? 本題正確答案：「(B)」