在机器学习和数据挖掘中，不同的分类方法在处理输入变量（特征选择）方面有不同的机制。我们来分析这些选项：

### A: 决策树（Decision Tree）
- **分析**：决策树在构建过程中实际上会对输入变量进行某种选择。通过递归地选择最能区分样本的特征（通常通过信息增益、基尼不纯度等），决策树会在结构上“挑选”出重要的特征。
- **结论**：不是不挑选输入变量的方法。

### B: 神经网络（Neural Network）
- **分析**：神经网络通常会使用所有提供的输入特征进行训练。虽然某些特征可能在训练中不被赋予重要的权重，但神经网络本身不具备内置的特征选择机制。
- **结论**：不会挑选输入变量。

### C: 关联规则（Association Rules）
- **分析**：关联规则更常用于发现数据集中项与项之间的关系，比如市场篮子分析。该方法不用于分类任务，它也不会在为了建模而挑选输入特征。
- **结论**：不会挑选输入变量。

### D: 贝式分类法（Bayes Net）
- **分析**：贝式分类法（例如朴素贝叶斯）通常假设特征之间是强独立的，并使用所有输入特征进行概率计算和分类。它不执行特征选择，但不同的贝叶斯网络结构可能对特征关系进行一些建模。
- **结论**：通常不会挑选输入变量。

因此，**不会挑选输入变量的方法是**：**B: 神经网络（Neural Network） 和 C: 关联规则（Association Rules）**。

| 选项 | 方法名称 | 是否挑选输入变量 |
|------|-------------------------|----------------------------------------|
| A | 决策树（Decision Tree） | 是 |
| B | 神经网络（Neural Network） | 否 |
| C | 关联规则（Association Rules） | 否 |
| D | 贝式分类法（Bayes Net） | 否（一般情况下） |