7. 下列哪一項「不」是非監督式學習的常見方法？
(A) 主成分分析（Principal Components Analysis）
(B) 非計量多向度量尺法（Non-metric Multidimensional Scaling）
(C) 對應分析（Correspondence Analysis）
(D) 線性判別分析（Linear Discriminant Analysis）

答案：登入後查看
統計： A(11), B(6), C(5), D(33), E(0) #3103432

詳解 (共 1 筆)

#6324656

(D) 線性判別分析（Linear Discriminant Analysis, LDA） ❌不屬於非監督式學習

解析：

非監督式學習 (Unsupervised Learning) 指的是沒有標籤 (Unlabeled Data) 的學習方法，通常用來發掘數據的內在結構，例如降維 (Dimensionality Reduction)、分群 (Clustering)、關聯分析 (Association Analysis) 等。

選項分析

✅ (A) 主成分分析（PCA, Principal Components Analysis） ✅ 非監督式學習

  • PCA 是一種降維 (Dimensionality Reduction) 技術，用來找出數據中的主要變異方向，幫助可視化或降低計算負擔。
  • 不需要標籤 (Unlabeled Data)，因此屬於非監督式學習。

✅ (B) 非計量多向度量尺法（Non-metric Multidimensional Scaling, NMDS） ✅ 非監督式學習

  • NMDS 是一種降維技術，用來將高維數據映射到低維空間，適合處理非線性關係的數據。
  • 不依賴標籤，屬於非監督式學習。

✅ (C) 對應分析（Correspondence Analysis, CA） ✅ 非監督式學習

  • 對應分析 (CA) 是一種用於處理類別數據 (Categorical Data) 的降維方法，特別適合分析列聯表 (Contingency Tables)。
  • 例如，可用來分析顧客與產品之間的關聯性。
  • 不依賴標籤，屬於非監督式學習。

❌ (D) 線性判別分析（LDA, Linear Discriminant Analysis） ❌ 監督式學習

  • LDA 主要用於分類 (Classification) 問題，是監督式學習的一種。
  • LDA 需要標籤 (Labeled Data)，它透過最大化不同類別之間的可分性，來尋找最佳的投影方向。
  • 適用於降維，但主要目的是提升分類效果，因此屬於監督式學習 (Supervised Learning)。

結論

✔ 「不屬於非監督式學習」的選項是 (D) 線性判別分析 (LDA)，因為它是監督式學習的一種分類方法。

0
0