45. 利用多個分類器的預測來提高分類的準確率之技術為下列何者？
(A) Ensemble
(B) Dimensionality reduction
(C) Pruning
(D) Feature selection

答案是：
(A) Ensemble

解析：

在機器學習中，集成學習 (Ensemble Learning) 是指結合多個分類器的預測結果來提高分類的準確率。這種方法能夠透過不同模型的互補性來減少單一模型的誤差，提高模型的泛化能力。

選項分析

✅ (A) Ensemble (集成學習) ✅

• 透過結合多個分類器的預測結果來提升準確率。
• 常見的集成學習方法包括：
  • Bagging (Bootstrap Aggregating)：如 隨機森林 (Random Forest)。
  • Boosting：如 XGBoost、AdaBoost、LightGBM。
  • Stacking (堆疊泛化)：透過不同模型的輸出來訓練更高層的模型。

❌ (B) Dimensionality Reduction (降維) ❌

• 降維技術用於減少資料的維度，以降低運算成本或避免過擬合，如 PCA (主成分分析)、t-SNE、LDA。
• 降維主要用來減少特徵數，而不是提升分類準確率。

❌ (C) Pruning (剪枝) ❌

• 剪枝是一種決策樹 (Decision Tree) 優化技術，可用來減少過擬合，但並不是用來結合多個分類器。
• 例如 CART 決策樹的後剪枝 (Post-pruning)。

❌ (D) Feature Selection (特徵選擇) ❌

• 特徵選擇 (Feature Selection) 用於挑選對分類最重要的特徵，如 相關性過濾 (Correlation Filtering)、L1 正則化、遺傳演算法。
• 雖然這有助於提升分類效果，但並不涉及「利用多個分類器」來做預測。

結論

✔ 利用多個分類器的預測來提高分類準確率的方法是 (A) Ensemble (集成學習)。