27. 一位資料分析師希望減少輸入特徵的維度，以提升模型運算效率，並觀 察變數間潛在的整體結構關係。若欲保留最大資訊量、同時減少特徵數量，下列哪一項方法最適合？
(A) 套用主成分分析(PCA)以擷取主要變異方向並轉換新變數；
(B) 利用離散化方法將連續變數轉為分類型欄位；
(C) 使用標準化方法將所有特徵縮放至相同數值區間；
(D) 以 ETL 技術移除空值欄位並改儲為 JSON 格式

1. 核心考點：主成分分析 (Principal Component Analysis, PCA)

當特徵數量過多（高維度）導致運算緩慢或發生「維度災難」時，我們需要一種方法，在丟棄部分數據的同時，盡可能保留原始資料的變異性（即資訊量）。

2. 逐項解析

• ✅ (A) 套用主成分分析 (PCA) 以擷取主要變異方向並轉換新變數：

  • 原因：PCA 的原理是透過線性轉換，將原始特徵投影到一組新的正交軸（主成分）上。第一個主成分捕捉最大的變異量，依此類推。我們可以只選取前幾個主成分，達到減少特徵數量且保留最大資訊量的目的。

  • 觀察結構：PCA 也能幫助我們觀察變數間的結構關係（如相關性）。

• ❌ (B) 利用離散化方法將連續變數轉為分類型欄位：

  • 原因：這稱為「分箱（Binning）」。它會將數值（如年齡）變成類別（如少年、中年），這通常會減少資訊細節而非減少特徵的「數量（維度）」，對提升運算效率的幫助有限。

• ❌ (C) 使用標準化方法將所有特徵縮放至相同數值區間：

  • 原因：這是特徵縮放（Feature Scaling）。它的目的是讓不同單位的特徵（如身高 cm 與體重 kg）處於相同量級，防止模型偏好數值較大的特徵。它完全沒有減少特徵維度。

• ❌ (D) 以 ETL 技術移除空值欄位並改儲為 JSON 格式：

  • 原因：移除空值是數據清洗（Data Cleaning），JSON 是儲存格式。這兩者都與「透過演算法壓縮特徵維度」的核心目的無關。

? 重點整理：PCA 的考試口訣

在 iPAS 或相關 AI 證照考試中，只要看到以下組合，答案幾乎都是 PCA：

• 「減少維度 / 特徵數量」 + 「保留最大變異 / 資訊量」。

• 「解決多元共線性」（因為 PCA 產生的主成分彼此正交、不相關）。

• 「提升運算效率」（特徵少了，運算自然快）。