14. 下列哪種方法不屬於特徵選擇（Feature-Selection）的標準方法？
(A) 嵌入方法（Embedded）
(B) 過濾方法（Filter）
(C) 包裝方法（Wrapper）
(D) 抽樣方法（Sampling）

解析題目與選項：

特徵選擇（Feature Selection） 是指從原始數據集中選出對模型影響較大的特徵，以提高模型效能、降低計算成本，並減少過擬合風險。主要有三種標準方法：

1. 嵌入方法（Embedded）
2. 過濾方法（Filter）
3. 包裝方法（Wrapper）

但抽樣方法（Sampling）與特徵選擇無關，它是用來處理不平衡數據的技術，如欠抽樣（Under-sampling）或過抽樣（Over-sampling）。

選項分析：

(A) 嵌入方法（Embedded） ✅
→ 嵌入方法會在模型訓練過程中同時選擇特徵，例如 Lasso（L1 正則化）、決策樹的特徵重要性（Feature Importance）。這是特徵選擇的標準方法之一。

(B) 過濾方法（Filter） ✅
→ 過濾方法基於統計指標（如皮爾森相關係數、卡方檢定、互信息等）來評估特徵的重要性，篩選出較相關的特徵，與模型本身無關。這是常見的特徵選擇方法。

(C) 包裝方法（Wrapper） ✅
→ 包裝方法使用模型來評估特徵組合的效果，例如遺傳演算法（Genetic Algorithm）、遞迴特徵消除（Recursive Feature Elimination, RFE）。這也是標準的特徵選擇方法。

(D) 抽樣方法（Sampling） ❌ (正確答案)
→ 抽樣方法（Sampling） 主要用於處理數據不平衡問題，如隨機欠抽樣（Random Undersampling）、SMOTE（Synthetic Minority Over-sampling Technique），它與特徵選擇無關，因此不屬於標準的特徵選擇方法。

正確答案：

(D) 抽樣方法（Sampling）