简介：这是一份围绕鸢尾花数据集展开的数理统计课程大作业，面向高校统计、数据科学专业学生，也适合希望了解马氏距离、高斯混合模型、主成分分析、线性判别分析等经典方法实际应用的读者。文档按引言、数据及符号说明、算法原理、数据处理分析、刀切法算法比对等章节组织，系统展示从数据预处理、特征降维、聚类分类到模型评估的完整流程；其中马氏距离用于度量样本相似度，高斯混合模型实现聚类，主成分分析与线性判别分析分别进行无监督与有监督降维，并通过刀切法比较不同降维方法下的分类性能。资源包仅含一份Word文档，大小约五百一十一KB，内容包含摘要、目录、正文与结果展示。目前已有一千四百二十六人学习下载，是一份内容具体、可复用的数理统计项目范本。读者可据此理解各统计模型在真实数据上的适用场景、参数估计与模型评估思路，直接参考大作业的写作结构与实验设计，适用于课程报告、答辩展示或复试复习。

1. 鸢尾花数据集大作业：一条能从头跑到尾的降维分类链路

做数理统计课程大作业时，很多同学的第一反应是拿鸢尾花数据集跑一遍 PCA，画个二维散点图就交差。但这套大作业解法显然不是这个思路：它把马氏距离、高斯混合模型、PCA、LDA 和刀切法串成了一条完整的实验链路，从数据预处理、降维、聚类建模到留一法评估，每一步都有可验证的中间结果。对于正在选课或者想把这套经典数据做出层次感的读者来说，这份作业的价值在于它提供了「四种方法如何配合」的完整范式——适合当模板，也适合当复现练习。下面按我拆这份作业时的顺序，把关键实现和踩过的坑都铺开来讲。

2. 算法选型与原理：马氏距离、GMM、PCA 和 LDA 该怎么搭配

2.1 马氏距离：尺度无关的相似度度量

先说马氏距离。欧氏距离在鸢尾花这种多变量数据上有个明显的毛病：它把每个特征同等对待，但四个特征的取值范围差异很大。花萼长度在 4.3 到 7.9 之间，花瓣宽度只有 0.1 到 2.5。如果直接用欧氏距离，波动范围大的特征会主导距离计算，波动范围小的特征几乎不起作用。马氏距离通过协方差矩阵把特征之间的相关性和尺度差异一起考虑进去，定义是：对于一个均值为 μ、协方差为 Σ 的分布，样本 x 到 μ 的马氏距离是 (x-μ)ᵀΣ⁻¹(x-μ) 再开根号。

这个式子有两个关键性质。第一，当 Σ 是单位矩阵时，马氏距离退化为欧氏距离，说明欧氏距离只是马氏距离的一个特例。第二，马氏距离是尺度无关的，也就是说你改变特征的单位，马氏距离不变，这让它天然适合鸢尾花这种原始特征和标准化特征并存的情况。在实际分类任务里，我的习惯是计算样本到每个类别中心的马氏距离，距离最小的那个类别作为预测结果。注意这里用的是每个类别自己的协方差矩阵，不是全体样本的协方差。

2.2 高斯混合模型：用多个正态分布描述数据

高斯混合模型的核心假设是：整个数据分布可以由若干个高斯成分加权叠加而成。对鸢尾花来说，每个类别假设对应一个高斯成分，那么一个样本属于某个类别的概率就是这个成分的概率密度乘上该成分的先验权重。模型参数包括每个成分的均值向量、协方差矩阵和混合系数，求解方式是极大似然估计。

手工推导极大似然时你会发现，高斯分布的参数估计公式很直观：均值是样本均值，协方差是样本协方差。但混合模型里每个样本不知道属于哪个成分，所以不能直接套公式。常见做法是用 EM 算法迭代求解：先根据当前参数计算每个样本属于每个成分的后验概率（E 步），再根据这些后验概率加权更新均值、协方差和混合系数（M 步），重复直到对数似然收敛。这块作业里没有手写 EM，而是直接调用库实现，我复现时也比较推荐先调库把流程跑通，再回头手写 EM 验证。

2.3 PCA：无监督降维如何工作

PCA 做的事情是把一组可能存在相关性的变量通过正交变换转换成一组线性不相关的变量，这些新变量叫主成分。它不利用类别标签，所以是一种无监督方法。目标很直接：找到一组投影方向，使得数据投影后的方差最大化，因为方差大意味着信息保留多。

求法也不复杂：计算协方差矩阵（或相关矩阵），做特征值分解，把特征值从大到小排列，取前 k 个特征值对应的特征向量组成投影矩阵。特征值的大小代表该主成分解释的方差量，特征值之和占全体特征值之和的比例就是累积方差贡献率。对鸢尾花这种四维数据，前两个主成分通常能解释超过 95% 的方差，这就是降维到二维的理论依据。PCA 的降维同时也是一个去噪过程，去掉的主成分往往是噪声或线性冗余较大的方向。

2.4 LDA：有监督降维与 PCA 的关键差异

LDA 是 Fisher 提出的一种线性判别方法，和 PCA 最大的区别是它使用了类别标签。它的目标是：找到一个投影方向 u，让同类样本投影后尽可能聚集，异类样本投影后尽可能分离。数学上表达为最大化类间散度与类内散度的比值，这个优化问题的解是 Sw⁻¹Sb 的特征向量，其中 Sw 是类内散度矩阵，Sb 是类间散度矩阵。

这里有个值得一提的约束：LDA 最多能降到类别数减一的维度。鸢尾花有三个类别，所以 LDA 最多降到二维。而 PCA 最多能降到特征维度（四维）。这是两者的一个本质差异——LDA 的降维上限由标签类别数决定，不是由特征数决定。理论上 LDA 利用了标签信息，效果应该好于 PCA，但这要建立在数据近似服从高斯分布、各类协方差差异不大的前提下，鸢尾花数据基本满足这个条件。

2.5 刀切法：为什么用它评估而不直接划分测试集

刀切法也叫留一法，每次从训练样本中剔除一个样本，用剩下的样本建立模型，再对剔除的那个样本做预测，循环直到每个样本都被预测过一次，最后统计判错个数除以总体本数得到判错率。对 150 个样本的鸢尾花数据，这相当于做 150 次训练和预测。

为什么不用简单的随机划分训练集和测试集？因为鸢尾花数据集本身很小，随机划分一次的结果受划分方式影响很大，评估结果不稳定。刀切法的好处是每个样本都被当作测试样本一次，评估更充分、更接近模型的真实泛化能力。代价是计算量比较大，150 次循环，每次都要重新做降维和建模。不过在现代计算机上，这个规模也就是几秒到几十秒的事。

3. 数据准备与预处理：读取、标准化与分布检查

3.1 数据读取与列顺序检查

鸢尾花数据最常见的格式是 CSV，每行一个样本，包含花萼长度、花萼宽度、花瓣长度、花瓣宽度四个特征，最后一列是类别标签。有些版本在第一列还有序号，读取的时候要特别注意。我拿到这份作业配套的数据表时发现，表格里列名顺序看起来是乱的，序号、特征、类别的排列并不一致，但代码里必须有一个统一的约定：四列特征、一列标签、一行一个样本。

import numpy as np import pandas as pd df = pd.read_csv("iris.csv", header=None) print(df.shape) # 期望是 (150, 5) print(df.head()) X = df.iloc[:, :4].values.astype(float) # 前四列是特征 y = df.iloc[:, 4].values # 最后一列是标签 # 检查类别分布 print(pd.Series(y).value_counts())

这段代码做的事情很基础但很重要。header=None是因为鸢尾花的原始 CSV 往往没有列名；df.iloc[:, :4]取前四列作为特征矩阵，df.iloc[:, 4]取最后一列作为标签。类别分布检查是为了确认三类样本各 50 条，如果数量不均衡，后面的 LDA 和 GMM 结果都会受影响。我一般先跑一遍这个检查，确认数据格式没问题再进入下一步。

3.2 标准化与相关矩阵：两种等效的消除量纲手段

鸢尾花四个特征的量纲都是厘米，但取值范围差异明显。花萼长度几乎跨越 4 厘米以上，花瓣宽度跨度只有 2 厘米多一点。直接用原始数据做 PCA，方差大的特征会天然获得更高的主成分权重，这并不代表它真的更重要。两种常见的解决办法：一是做 z-score 标准化，让每个特征均值为 0、方差为 1；二是直接计算相关矩阵代替协方差矩阵。前者是改变数据本身，后者是改变参与计算的矩阵，本质上效果一致。

# 方法一：z-score 标准化 mu = X.mean(axis=0) std = X.std(axis=0, ddof=0) Xs = (X - mu) / std # 方法二：用相关矩阵参与 PCA R = np.corrcoef(X.T)

注意np.std的ddof参数：样本标准差用ddof=1（除以 n-1），总体标准差用ddof=0。数理统计课程里讲极大似然估计时用的通常是总体标准差，作业里一般也延续这个约定。我复现时统一用ddof=0，保持和 GMM 的极大似然口径一致。标准化的另一个好处是让后面的马氏距离计算数值更稳定——协方差矩阵的条件数会变小。

3.3 分布检查：确认高斯假设是否成立

GMM 的前提是每个类别大致服从高斯分布，所以建模前要确认数据是否符合这个假设。最简单的检查是画分布图，看每个特征的分布是否呈现钟形。更严格的检查可以做正态性检验，但作为大作业，散点图和直方图已经足够说明问题。

import matplotlib.pyplot as plt fig, axes = plt.subplots(2, 2, figsize=(10, 8)) feature_names = ["sepal length", "sepal width", "petal length", "petal width"] for i, ax in enumerate(axes.flat): ax.hist(X[y == "setosa", i], bins=10, alpha=0.5, label="setosa") ax.hist(X[y == "versicolor", i], bins=10, alpha=0.5, label="versicolor") ax.hist(X[y == "virginica", i], bins=10, alpha=0.5, label="virginica") ax.set_title(feature_names[i]) ax.legend() plt.tight_layout() plt.show()

从这里能直观看到两类信息：每个特征在不同类别上的分布是否大致对称，以及类别之间的重叠程度。鸢尾花数据里，花瓣长度和花瓣宽度对类别的区分度明显高于花萼长度和花萼宽度，这为后面降维方法的选择提供了一个直觉基础——数据里本身就存在和类别强相关的方向，LDA 有希望找到它。

4. PCA 与 LDA 降维实战：从零手写核心代码

4.1 PCA：特征值分解与主成分选取

不用sklearn，从零实现 PCA 其实也就十几行代码。核心步骤是：标准化数据 → 计算相关矩阵 → 特征值分解 → 按特征值降序排列 → 取前 k 个特征向量做投影矩阵。

def pca_fit(X, n_components): # X 是已经标准化后的数据 R = np.corrcoef(X.T) # 相关矩阵 eigvals, eigvecs = np.linalg.eigh(R) # 对称矩阵用 eigh 更稳 order = np.argsort(eigvals)[::-1] # 从大到小排列 eigvals = eigvals[order] eigvecs = eigvecs[:, order] W = eigvecs[:, :n_components] # 取前 k 个特征向量 explained_ratio = eigvals[:n_components] / eigvals.sum() return W, explained_ratio W, ratio = pca_fit(Xs, 2) X_pca = Xs @ W print("explained variance ratio:", ratio) print("total:", ratio.sum())

这里用np.linalg.eigh而不是np.linalg.eig，因为相关矩阵是对称矩阵，eigh专门利用对称性，数值稳定性更好，速度也更快。explained_ratio是每个主成分解释的方差占比，鸢尾花数据降到二维时这个占比通常能到 0.95 以上，意味着丢掉两个维度只损失不到 5% 的方差。X_pca是降维后的数据，后面 GMM 和刀切法都用它作为输入。

初次跑 PCA 时建议打印一下完整特征值，而不是只看前两个。如果第三个特征值明显小于前两个，说明降到二维是合理的选择；如果特征值之间差距不大，那说明数据在四个方向上都有信息，强行降到二维会丢失较多信息。

4.2 LDA：类内散度矩阵与广义特征值问题

LDA 的从零实现比 PCA 稍绕，因为需要分别计算类内散度矩阵和类间散度矩阵，然后求解Sw⁻¹Sb的特征值问题。通用做法是直接解广义特征值问题，代码上可以用scipy.linalg.eigh一步到位，避免显式求逆带来的数值问题。

from scipy.linalg import eigh def lda_fit(X, y, n_components): classes = np.unique(y) n_features = X.shape[1] Sw = np.zeros((n_features, n_features)) Sb = np.zeros((n_features, n_features)) overall_mean = X.mean(axis=0) for c in classes: Xc = X[y == c] n_c = Xc.shape[0] mu_c = Xc.mean(axis=0) Sw += (Xc - mu_c).T @ (Xc - mu_c) mean_diff = (mu_c - overall_mean).reshape(-1, 1) Sb += n_c * mean_diff @ mean_diff.T eigvals, eigvecs = eigh(Sb, Sw) # 广义特征值问题 order = np.argsort(eigvals)[::-1] W = eigvecs[:, order[:n_components]] return W W_lda = lda_fit(Xs, y, 2) X_lda = Xs @ W_lda

eigh(Sb, Sw)传入两个矩阵时就变成了广义特征值问题，它在内部处理了Sw⁻¹Sb的求解，同时利用了 Sb 和 Sw 的对称性。这里有个关键点：LDA 的降维维度不能超过类别数减一。鸢尾花三个类别，n_components最大只能设 2；如果你设 3，eigh会返回不满秩的结果，后面投影矩阵会出现数值异常。

另外要注意，W_lda的列不是单位正交的。PCA 的特征向量天然正交，LDA 的投影方向受类内散度矩阵的影响，向量之间一般不正交，这是正常现象，不要用 PCA 的思维去要求 LDA。

4.3 降维维度的选择与投影可视化

降维维度怎么定？不能只看累积方差贡献率。我见过很多同学把 PCA 降到二维之后发现分类效果不如原始四维数据，就怀疑算法有问题——其实不是，降维本身就是去掉部分信息，如果信息被去掉的部分恰好和分类相关，分类效果自然会下降。所以维度选择要和后面的分类任务绑定，看降维后 GMM 或马氏距离分类的正确率曲线，而不是单独看方差贡献率。

import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) scatter = plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap="viridis", s=30) plt.colorbar(scatter) plt.title("PCA 2D projection") plt.subplot(1, 2, 2) scatter = plt.scatter(X_lda[:, 0], X_lda[:, 1], c=y, cmap="viridis", s=30) plt.colorbar(scatter) plt.title("LDA 2D projection") plt.tight_layout() plt.show()

从两张图对比能直观感受到 PCA 和 LDA 的差别：PCA 的投影方向是让总体方差最大，三个类别在投影面上可能仍然部分重叠;而 LDA 的投影方向是让类间距离最大、类内距离最小，通常能看到更清晰的类别分界。特别是 Setosa 这一类，在 LDA 投影下几乎能被一条直线分开，而 PCA 投影下虽然有分离趋势，但边界更模糊。这就是有监督信息带来的效果差异。

4.4 降维后还要注意什么

降维不是终点，而是后续建模的输入。用降维后的数据做 GMM 时，等价于只在高方差方向（PCA）或高判别方向（LDA）上建模，这相当于主动滤掉了那些不影响分类的噪声维度。不过要注意：降维过程本身使用的数据包含了全部样本，如果后面用刀切法做评估，严格的流程应该是在每一折训练集内重新做降维，防止测试样本的信息通过降维矩阵泄露到训练过程中。这个问题在下一章展开讲，它是整个流程里最容易翻车的地方。

5. GMM 聚类与马氏距离判别避坑：信息泄露、标签错位、奇异矩阵

5.1 GMM 参数拟合与聚类

降维之后，用 GMM 对数据建模。对鸢尾花这类数据，通常设置三个高斯成分，对应三个类别。核心参数除了成分数，还有协方差类型和初始化次数。

from sklearn.mixture import GaussianMixture gmm = GaussianMixture( n_components=3, covariance_type="full", max_iter=300, n_init=10, random_state=42 ) gmm.fit(X_pca) labels = gmm.predict(X_pca) # 每个样本的成分归属 print("converged:", gmm.converged_) print("log likelihood:", gmm.lower_bound_)

covariance_type="full"表示每个成分使用完整的协方差矩阵，允许不同方向上的方差不同，也允许维度之间存在相关性，这是 GMM 相对于 k-means 的核心优势——k-means 实际上假设每个簇在所有方向上方差相同且互不相关，这对鸢尾花这种特征相关性较强的数据来说太苛刻了。n_init=10表示 EM 算法用 10 组不同的初始值各跑一遍，选对数似然最大的那组结果，避免初始值把迭代带进局部最优。random_state=42固定随机种子，保证结果可复现，这是所有实验开始前必须做的一件事。

5.2 马氏距离判别：每个类别用各自的协方差

GMM 建模之后，可以用两类方式做判别：直接用 GMM 的后验概率，或者用马氏距离判断样本离哪个类中心更近。二者原理相通，但马氏距离更直观，也更好解释。

def mahalanobis_distance(x, mu, cov): delta = x - mu inv_cov = np.linalg.pinv(cov) # 用伪逆，防止矩阵奇异 return np.sqrt(delta @ inv_cov @ delta) def predict_by_mahalanobis(X, means, covs): n = X.shape[0] preds = np.zeros(n, dtype=int) for i in range(n): dists = [mahalanobis_distance(X[i], means[c], covs[c]) for c in range(3)] preds[i] = np.argmin(dists) return preds means = gmm.means_ # 每个成分的均值 covs = gmm.covariances_ # 每个成分的协方差矩阵 preds = predict_by_mahalanobis(X_pca, means, covs)

这里有一个细节容易忽略：计算马氏距离时，每个样本要和三个类别中心各算一次距离，每个距离用对应的类别协方差矩阵。有些实现偷懒用了全局协方差，那算出来的东西叫标准化欧氏距离，不完全是马氏距离，效果也会打折扣。np.linalg.pinv是伪逆，它对奇异矩阵有很好的容错，普通np.linalg.inv遇到奇异或接近奇异的协方差矩阵会直接报错或给出极大值。

5.3 避坑一：GMM 的聚类标签和真实标签不对齐

现象：用gmm.predict得到的标签是 0、1、2，直接和真实标签比较算正确率，结果惨不忍睹，可能只有 40% 上下，但看可视化图发现聚类分明、效果很好。

原因：GMM 的聚类标签是成分编号，编号本身没有语义。初始值不同，编号 0 可能对应 Setosa，也可能对应 Virginica。直接把聚类编号和真实类别编号对比，等于用一个随机排列的标签去匹配真实标签。

解决：做标签对齐，让每个聚类编号映射到它最可能对应的真实类别。

def align_labels(pred, true): mapping = {} for t in np.unique(true): mask = true == t pred_sub = pred[mask] if len(pred_sub) > 0: mapping[pred_sub[np.argmax(np.bincount(pred_sub))]] = t return mapping mapping = align_labels(labels, y) aligned = np.array([mapping.get(l, -1) for l in labels]) accuracy = (aligned == y).mean() print("aligned accuracy:", accuracy)

这段代码对每个真实类别，找出该类别样本中占比最高的聚类编号，建立映射关系。本质上是找两个集合之间最可能的一一对应。如果某个聚类编号没出现在任何真实类别中，映射不到就标记为 -1，避免崩掉。

5.4 避坑二：降维信息泄露导致刀切法结果虚高

现象：刀切法算出来的正确率接近 100%，比正常预期高出一大截，明显不合理。

原因：在留一循环之前，先用全部 150 个样本做了 PCA 或 LDA，求出了投影矩阵。然后循环中每次留出测试样本，但投影矩阵是全量样本计算的，测试样本的信息已经通过投影矩阵混进了训练过程。这相当于考试时把答案夹在草稿纸里，正确率当然虚高。

解决：降维必须在每一折训练集内部重新计算。

def jackknife_with_pca(X, y, n_components=2): n = len(y) correct = 0 for i in range(n): mask = np.ones(n, dtype=bool) mask[i] = False X_train, y_train = X[mask], y[mask] X_test = X[i:i+1] mu = X_train.mean(axis=0) std = X_train.std(axis=0, ddof=0) Xs_train = (X_train - mu) / std Xs_test = (X_test - mu) / std W, _ = pca_fit(Xs_train, n_components) # 只用训练集计算投影矩阵 Z_train = Xs_train @ W Z_test = Xs_test @ W gmm = GaussianMixture(n_components=3, random_state=42, n_init=5) gmm.fit(Z_train) pred = gmm.predict(Z_test)[0] # 标签对齐后比较 ... return correct / n

这段代码的关键是第 7~9 行：标准化的均值和标准差、PCA 的投影矩阵，全部来自训练集。测试集只有标准化和投影这一步。这一步错了，整个实验的结论都没有意义。你可能觉得 150 个样本的信息泄露一点点没关系，但留一法评估的逻辑就是用极端方式刻画泛化误差，任何一点泄露都会让结果失去参考价值。

5.5 避坑三：协方差矩阵奇异，马氏距离算出 NaN

现象：计算马氏距离时提示矩阵奇异或者除法遇到无效值，距离结果出现 inf 或 NaN。

原因：协方差矩阵是半正定的，理论上不会奇异，但当特征之间完全线性相关，或者样本数少于特征数时，计算机会因为数值精度问题报奇异。降维后如果再选择了一个和类别数相同的维度，某些成分的协方差矩阵可能退化。

解决：用伪逆np.linalg.pinv替代普通逆，或者给协方差矩阵加一个小的正则化项，例如cov + 1e-6 * np.eye(d)。前者更通用，后者更贴近 GMM 本身的处理方式。GaussianMixture的reg_covar参数就是做这件事的，默认是 1e-6，如果数据量小或者维度高，可以适当调大。

5.6 避坑四：PCA 不标准化等于白做

现象：PCA 第一主成分的载荷几乎全集中在某一个特征上，其他特征权重接近零，降维图上看不出类别区分。

原因：原始特征尺度差异大，协方差矩阵由方差最大的那个特征主导，PCA 自然优先保留它。这不是数据本身的规律，而是量纲造成的假象。

解决：先标准化再 PCA，或者直接用相关矩阵代替协方差矩阵。一句话，标准化是 PCA 的前置条件，不是可选项。

6. 用刀切法横向对比：降维方法、维度与分类效果的取舍

6.1 刀切法评估脚本：把整个流程串起来

刀切法评估的完整思路是：留一循环 → 训练集内降维 → GMM 建模 → 标签对齐 → 预测留出样本 → 统计判错数。计算判错率的公式是：判错数除以总体本数。把第 5 章的jackknife_with_pca扩展一下，同时支持 PCA 和 LDA 两种降维方式，就能得到一组可对比的准确率。

def jackknife_eval(X, y, method="pca", n_components=2): n = len(y) correct = 0 for i in range(n): mask = np.ones(n, dtype=bool) mask[i] = False X_train, y_train = X[mask], y[mask] X_test = X[i:i+1] mu = X_train.mean(axis=0) std = X_train.std(axis=0, ddof=0) Xs_train = (X_train - mu) / std Xs_test = (X_test - mu) / std if method == "pca": W, _ = pca_fit(Xs_train, n_components) else: W = lda_fit(Xs_train, y_train, n_components) Z_train = Xs_train @ W Z_test = Xs_test @ W gmm = GaussianMixture(n_components=3, random_state=42, n_init=5) gmm.fit(Z_train) pred_train = gmm.predict(Z_train) mapping = align_labels(pred_train, y_train) pred_test = gmm.predict(Z_test)[0] pred_label = mapping.get(pred_test, -1) correct += (pred_label == y_test) return correct / n

这里有两点值得说明。第一，GMM 的标签对齐映射是在每一折训练集上重新计算的，因为每次训练集不同，聚类编号和真实类别的对应关系可能变化。第二，n_components对 LDA 有硬约束，最大只能取 2，而 PCA 可以取到 4，对比实验时要分别设置合理的取值区间。

6.2 典型结果与参数参考

在鸢尾花数据集上，几组配置的结果通常落在下面的区间：

这个表说明两个问题：一是降维程度的选取不能贪低，PCA 降到二维虽然损失方差占比不到 5%，但损失的这部分恰好对分类有帮助，所以正确率明显低于三维；二是 LDA 在同样维度下通常优于 PCA，因为它的投影方向是冲着分类去的。这些数字在不同随机种子下会有小幅波动，但整体趋势非常稳定。做实验报告时，建议多跑几个随机种子，把均值和标准差都写上。

6.3 一个值得保留的进阶做法

如果想让结果更细，可以把刀切法里的 GMM 换成不同协方差类型跑一组对比。full允许各方向方差不同、维度间相关，diag假设维度独立但方差不同，spherical假设各方向方差相同。鸢尾花数据用full效果最好，这个结论本身也可以写进报告。从那以后我跑这类小样本实验，都强制走一遍固定随机种子、每一折重新降维、标签对齐三步检查，凡是这三步有一处漏掉，结果我都当无效处理。做实验最怕的不是算法不 work，而是流程里有个不起眼的环节悄悄污染了结论。希望帮到你。

本文还有配套的精品资源，点击获取