43. 下列學習方法，何者難以獲得人類容易理解的知識或特徵？
(A) Multilayer perceptron
(B) Decision tree
(C) Logistic regression
(D) Association rule mining

答案是：
(A) Multilayer Perceptron (MLP, 多層感知機)

解析：

某些機器學習演算法能產生容易被人類理解的規則或特徵，而另一些則較難以解釋。例如：

• 可解釋的模型 (Interpretable Models)：決策樹 (Decision Tree)、邏輯回歸 (Logistic Regression)、關聯規則 (Association Rule Mining)。
• 難以解釋的模型 (Black Box Models)：神經網路 (Neural Networks) 如 MLP、深度學習模型。

選項分析

❌ (A) Multilayer Perceptron (MLP) - 難以解釋 ✅

• MLP 是一種神經網路 (Neural Network)，屬於黑箱模型 (Black Box Model)。
• 它包含多層非線性轉換，使得難以直觀解釋模型的決策過程。
• 例如，儘管 MLP 在圖像分類、語言處理等任務中表現良好，但很難將其轉換為人類可理解的規則或特徵。

✅ (B) Decision Tree (決策樹) - 容易解釋

• 決策樹透過一系列的 IF-THEN 規則來分類數據，結果類似人類思考過程。
• 例如，一棵決策樹可能這樣運作：「如果氣溫 > 30°C，則預測為炎熱天氣」，這種規則易於解釋。

✅ (C) Logistic Regression (邏輯回歸) - 容易解釋

• 邏輯回歸本質上是線性模型，可以透過係數 (Weights) 來解釋變數對輸出的影響。
• 例如，假設有一個影響心臟病風險的模型，醫生可以透過變數權重來理解哪個因素最重要。

✅ (D) Association Rule Mining (關聯規則挖掘) - 容易解釋

• 這是一種用於尋找數據中項目之間的關係的方法，例如市場籃分析 (Market Basket Analysis)。
• 例如，「如果顧客購買了牛奶，則他們更可能購買麵包」這類規則是直觀可理解的。

結論

✔ 難以獲得人類容易理解的知識或特徵的選項是 (A) Multilayer Perceptron (MLP)。