某資料科學家利用房屋資料建立 AI 房價預測模型，資料中包含許多彼此高度相關的數值特徵（例如房屋總坪數、客廳坪數等）。為了降低資料維度並減少特徵間的重複資訊，最適合採用下列何種技術？
答案 （B）
核心概念
特徵很多又彼此重疊，要「減少特徵數」，就用主成分分析。
主成分分析（Principal Component Analysis, PCA）把一堆高度相關的特徵重新組合成少數幾個互不相關的主成分，保留大部分的變異，同時把重複的資訊擠掉。總坪數跟客廳坪數本來就高度相關，正是 PCA 擅長處理的情況。
答題技巧
快速判斷技巧：題目出現「降低維度」「特徵高度相關」，答案就是主成分分析（PCA）。 ・減少特徵數 → PCA 降維 ・拉齊尺度 → 標準化（Standardization） ・文字轉數字 → 類別編碼（Categorical Encoding） ・清掉離群點 → 異常值（Outlier）處理
易錯陷阱：(C) 標準化常跟 PCA 一起出現（做 PCA 前通常先標準化），容易混在一起。 關鍵差異：標準化只改尺度、特徵數量不變，題目要的是減少。