一家信用卡公司希望加速其信用評分模型的訓練，該模型由數千個原始屬性建構而成，其中許多屬性高度相關。目前訓練速度緩慢且模型過度擬合。哪種特徵工程技術可以在不丟失太多資訊的情況下，降低維度並縮短訓練時間？

正確答案是使用自動編碼器 (autoencoder) 或主成分分析 (PCA) 將原始特徵替換為一組較少的新特徵。這兩種技術都是降維方法，能有效減少特徵數量，同時保留大部分重要資訊。PCA 透過線性變換找到資料方差最大的主成分，而自動編碼器則透過神經網路學習資料的壓縮表示。這有助於縮短訓練時間並降低過度擬合的風險。 計算特徵的自我相關性並捨棄高度相關的特徵雖然可以減少冗餘，但可能丟失重要資訊，且不一定能達到最佳的降維效果。將所有數值特徵正規化到 [0, 1] 範圍是資料預處理的常見步驟，有助於模型收斂，但本身不具備降維功能。使用 k-means 對原始資料進行分群並取樣可以減少訓練集大小，但這是在資料點層面進行操作，而非特徵層面，且可能導致資訊丟失。