面对如此大规模的数据集（5000个特征，100万数据），高效的训练策略非常重要。以下是对不同方案的分析：

| 方案 | 描述 | 优点 | 缺点 |
|------|------|------|------|
| A: 随机抽取样本 | 从数据集中随机抽取部分样本进行训练 | 减少计算资源和时间，快速获得模型初步效果 | 可能导致样本偏差，模型泛化能力不足，不能充分利用数据的丰富信息 |
| B: 在线机器学习算法 | 逐步获取数据，不需要一次性加载所有数据 | 能处理大规模数据，更新模型效率高 | 需要算法选择得当，学习率等参数设置合理 |
| C: PCA降维 | 使用主成分分析（PCA）减少特征数量 | 降低计算复杂度，去除冗余特征 | 可能丢失部分信息，影响模型性能，对数据线性关系假设要求高 |
| D: 以上所有 | 综合使用多种方法 | 提高训练效率，保持模型性能，适应性强 | 实施复杂，需制定合理的方案 |

**专业分析：**

- **在线学习（B）**：这是处理大规模数据的一个强有力手段，因为它不需要将所有数据一次性加载到内存中。对于具有时间变化趋势的数据，在线学习可以实时更新模型，而不必从头开始训练。

- **PCA降维（C）**：这是一种有效的特征降维方法，能显著降低特征维度，提高计算效率，尤其在特征之间存在相关性的情况下表现更佳。不过，应注意在降维过程中可能丢失重要信息。

- **随机抽样（A）**：虽然能够快速测试模型，但可能会导致不充分的样本代表性，影响模型泛化能力。因此，随机抽样适合作为初步模型测试，而不是最终解决方案。

**结论**：

选项 **D: 以上所有** 是最佳策略。结合使用这些方法，可以更好地应对大数据带来的挑战。通过在线学习算法处理数据流，可以有效地适应大型数据集。同时，结合PCA对特征进行降维，能提升特征处理的效率。随机抽样则可以用于初步模型验证与调试。综合应用这些方法，可以在资源有限的情况下，最大限度地提高模型的训练效率和性能。