在機器學習和數(shù)據(jù)挖掘中，不同的分類方法在處理輸入變量（特征選擇）方面有不同的機制。我們來分析這些選項：

### A: 決策樹（Decision Tree）
- **分析**：決策樹在構(gòu)建過程中實際上會對輸入變量進行某種選擇。通過遞歸地選擇最能區(qū)分樣本的特征（通常通過信息增益、基尼不純度等），決策樹會在結(jié)構(gòu)上“挑選”出重要的特征。
- **結(jié)論**：不是不挑選輸入變量的方法。

### B: 神經(jīng)網(wǎng)絡（Neural Network）
- **分析**：神經(jīng)網(wǎng)絡通常會使用所有提供的輸入特征進行訓練。雖然某些特征可能在訓練中不被賦予重要的權(quán)重，但神經(jīng)網(wǎng)絡本身不具備內(nèi)置的特征選擇機制。
- **結(jié)論**：不會挑選輸入變量。

### C: 關(guān)聯(lián)規(guī)則（Association Rules）
- **分析**：關(guān)聯(lián)規(guī)則更常用于發(fā)現(xiàn)數(shù)據(jù)集中項與項之間的關(guān)系，比如市場籃子分析。該方法不用于分類任務，它也不會在為了建模而挑選輸入特征。
- **結(jié)論**：不會挑選輸入變量。

### D: 貝式分類法（Bayes Net）
- **分析**：貝式分類法（例如樸素貝葉斯）通常假設特征之間是強獨立的，并使用所有輸入特征進行概率計算和分類。它不執(zhí)行特征選擇，但不同的貝葉斯網(wǎng)絡結(jié)構(gòu)可能對特征關(guān)系進行一些建模。
- **結(jié)論**：通常不會挑選輸入變量。

因此，**不會挑選輸入變量的方法是**：**B: 神經(jīng)網(wǎng)絡（Neural Network） 和 C: 關(guān)聯(lián)規(guī)則（Association Rules）**。

| 選項 | 方法名稱 | 是否挑選輸入變量 |
|------|-------------------------|----------------------------------------|
| A | 決策樹（Decision Tree） | 是 |
| B | 神經(jīng)網(wǎng)絡（Neural Network） | 否 |
| C | 關(guān)聯(lián)規(guī)則（Association Rules） | 否 |
| D | 貝式分類法（Bayes Net） | 否（一般情況下） |