C属于特征降维，其他属于特征压缩方法

正确答案是：A: PCA主成分分析，B: Kernel PCA核主成分分析，D: NMF非负矩阵分解法。

以下是对这些方法的专业分析：

1. **PCA（主成分分析）**：
- **类别**：特征抽取
- **原理**：通过线性变换将数据投影到一个新的坐标系中，使得数据在新坐标系中的方差最大。PCA找到的是数据的主成分，这些主成分是数据变化最大的方向。

2. **Kernel PCA（核主成分分析）**：
- **类别**：特征抽取
- **原理**：是一种非线性降维方法，通过使用核技巧将数据映射到高维空间，然后在高维空间中进行PCA。Kernel PCA能够捕捉到数据的非线性结构。

3. **NMF（非负矩阵分解法）**：
- **类别**：特征抽取
- **原理**：将原始矩阵分解为两个非负矩阵的乘积，通常用于图像处理、文本挖掘等领域。NMF通过分解出具有物理意义的非负特征，能够很好地解释原始数据。

4. **Embedded PCA（嵌入式主成分分析）**：
- **类别**：并不是常见的特征降维方法
- **说明**：在特征降维领域中，并没有一个被广泛认可的“Embedded PCA”方法。这可能是一个误导性的选项或一个不常见的特定领域方法。

总结来说，A、B和D是常用的特征降维方法，而C并不是一个标准的特征降维方法。