因子分析是主成分分析的延伸，因子分析和主成分分析都是常用的降维技术，但它们的目的和方法有所不同。PCA旨在通过线性变换将原始变量转换为一组新的线性无关的主成分，以尽量保留原始数据的信息，降低数据的维度。而因子分析则旨在找到一组潜在的因子，解释观察到的变量之间的相关性。因子分析通常通过调整因子在原始变量的权重来发现因子所代表的含义，从而识别数据中的潜在结构。因子分析常用于社会科学、心理学、市场调研等领域的数据分析，但不适用于预测类模型建模。

正确答案是：D: 因子分析用于预测类模型建模。

专业分析：

A: PCA（主成分分析）是因子分析的延伸。这种说法在一定程度上是正确的，因为两者都是降维技术，但它们的目标和方法有所不同。PCA的目标是通过线性变换将原始数据投影到新的坐标系中，使得新坐标系中的变量（主成分）尽可能解释数据的方差。因子分析则更关注数据中的潜在结构，试图通过少数潜在因子解释变量之间的相关性。

B: 因子分析的可解释性强于主成分分析。这个说法在某些情况下是正确的，因为因子分析试图找到能够解释变量间相关性的潜在因子，这些因子通常有更明确的解释意义。而主成分分析主要关注的是数据的方差，不一定有明确的解释。

C: 因子分析通常通过调整主成分在原始变量的权重来发现主成分所代表的含义。这个说法不准确。因子分析和主成分分析是两种不同的方法。因子分析通过旋转因子载荷矩阵来找到更可解释的因子结构，而不是调整主成分在原始变量的权重。

D: 因子分析用于预测类模型建模。这个说法是错误的。因子分析主要用于数据降维和探索性数据分析，目的是发现数据中的潜在结构，并不是用于预测。预测类模型建模通常使用回归分析、分类算法等方法，而不是因子分析。