做数据分析的朋友，大概率都遇到过这种场景：手里的样本只有几十个，变量却有几百上千个，而且这些变量之间相关性极高。近红外光谱、代谢组学质谱、电子鼻传感器响应，这类数据基本全是“样本少、变量多、变量还互相纠缠”的结构。这时候想建分类模型，朴素贝叶斯和逻辑回归容易在共线性问题上翻车，随机森林虽然能跑，但解释起来非常费劲，业务方听完大概率还是“似懂非懂”。偏最小二乘算法（PLS）就是专门为这种数据准备的经典方案，用于分类任务时通常叫它 PLS-DA（偏最小二乘判别分析）。这篇文章我不想堆公式，而是从“为什么它能处理这种数据”讲起，把数据准备、Python实操、参数选择、模型解释，以及和当下热门的 xgboost二分类模型 怎么选型这些事一次说透。想快速拿到一个可解释、可复现分类方案的人，尤其是做光谱分析、食品科学、生物医学数据的朋友，直接照着做就行。
1. PLS到底在算什么？先想清楚这几点再动手
1.1 从回归到判别：潜变量思想的落脚点
偏最小二乘最早不是为分类设计的。它上世纪六十年代由 Herman Wold 提出，最初用于经济学和化学计量学里的回归问题，处理的就是“变量比样本多、自变量彼此高度相关”这类棘手的表。标准最小二乘回归在 p > n 的情况下基本不可解，因为 X'X 不可逆，即使勉强可逆，估计出来的系数也方差极大，稍微换一批样本结果就面目全非。
PCA 可以降维，但 PCA 只盯着 X 的方差，完全不关心 X 和分类目标 Y 的关系。这就会出问题：取出来的主成分可能解释了很大方差，却和要预测的类别毫无关系，等于是拿了一堆“好看但没用”的信息。PLS 的思路是找一组潜变量（latent variables），让它们同时满足两个条件：尽可能多地解释 X 的变化，同时也尽可能和 Y 相关。这样提取出来的潜变量既压缩了维度，又保留了判别信息，等于把 PCA 和回归的活一次性干完了。
生活里也有类似的逻辑。体检时你有几十项指标，血压、血脂、血糖、尿酸很多都是联动的。医生不会只看单项指标，而是看“代谢状况”这种综合概念，PLS 就是在数据里找“代谢状况”这类看不见的潜因子，而且只保留和你想预测的结果（比如是否患病）关系最强的那些。分类模型里的 PLS-DA，就是把这个思路应用到判别任务上：Y 不再是连续数值，而是类别标签的编码，潜变量的方向会尽量朝着类间差异最大的方向旋转，这样样本投影到低维空间后自然就分开了。
1.2 小样本、高共线性为什么是 PLS 的主场
我接触的近红外数据，波长点动不动几百上千个，相邻波长的吸收值高度相关，一个吸收峰往往横跨几十个波长点。这种情况下任何涉及逐个变量独立建模的思路都会出问题，而 PLS 的潜变量机制相当于做了“软化的特征压缩”：每个潜变量是所有原始变量的加权组合，权重让信息集中到少数几个综合方向上。实际建模里，光谱数据经常用 2～4 个潜变量就能达到不错的分类效果，这对小样本场景是巨大的保护。
相比 PCR（主成分回归）的“先压缩再回归”，PLS 是“压缩和回归同时进行”。PCR 第一步不知道 Y 是谁，可能把重要的小方差特征丢掉；PLS 每一步都在寻找对判别最有价值的方向，相当于导航时同时看路况和目的地，效率和准确率通常都更高。这也是为什么化学计量学、食品掺假检测、医学代谢组学这些领域，几十年来 PLS 一直是基准方法。只要你的数据有线性结构，样本量又不大，PLS 往往能比很多“现代化”算法在同等调试成本下交出更好的卷子。
1.3 分类怎么做：哑变量编码与判别规则
严格说，PLS 回归模型输出的是连续数值，所以做分类要先做一层转换。最通用的做法是构造哑变量矩阵：假设有 K 个类别，每个样本的 Y 是一个 K 维向量，属于哪一类，对应位置就设成 1，其余位置设成 0。训练时 PLS 对每个维度都会拟合一个回归模型，预测时会输出每个样本在这 K 个维度上的连续得分，取最大得分的那个位置作为预测类别。
这种做法本质上把多分类拆成“多个回归一起学”，PLS 的潜变量会自动寻找能同时解释这些哑变量差异的方向。实际操作中，学过 PLS 的同学可能看到过有人用 0/1 编码二分类，也有人用 -1/1 编码，两种方法对 PLS 来说差别不大，预测时只要在 0 或 0.5 处切一刀即可。但多分类我强烈建议用 One-Hot，别自己手工编号成 1/2/3，因为类别之间没有天然的顺序关系，数值编号会让模型误解成回归问题。后面给代码时我会直接用 OneHotEncoder 固定所有类别列，避免操作时出现列数不一致的坑。
2. 建模型前先处理数据：样本、标签、预处理一个都别省
2.1 标签编码与 Y 矩阵构建：One-Hot 的正确打开方式
很多人在 PLS-DA 上翻车，不是模型参数选错了，而是 Y 矩阵构造不对。如果只有两类，你拿一列 0/1 去 fit PLSRegression，单变量响应模型会隐式地找一个阈值来分类，有时也凑合。但类别一多，或者类别比例悬殊，这种做法就容易乱。
正确做法是使用 sklearn 的 OneHotEncoder。这里有一个特别容易踩的坑：如果在交叉验证的每一折里单独 fit OneHotEncoder，可能会出现“这一折缺少某个类别”的情况，导致后续预测维度不一致。最好的策略是先在整个训练集上 fit 一次 OneHotEncoder，把类别列固定下来，后续每一折只做 transform，不再重新 fit。
from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder(sparse_output=False) Y_train = ohe.fit_transform(y_train.reshape(-1, 1))这样得到的 Y_train 形状是 (n_samples, n_classes)。后面无论交叉验证怎么切分，每折的 Y 都取 Y_train[train_idx]，列数永远是 n_classes。如果你用的是 pandas 的 get_dummies，也要小心它可能根据当前数据动态生成列，建议先全量名固定列名再切分，否则很容易在线上部署时遇到列缺失的报错。
2.2 预处理怎么选：均值中心化、标准化与缩放权衡
PLS 本身对数据尺度敏感，所以预处理不是可选项。绝大多数场景下，均值中心化是必须的，它能去掉光谱数据的基线偏移，让模型聚焦在“形状差异”而不是“绝对数值差异”。
真正需要权衡的是要不要做标准化。如果你的数据是光谱吸光度、峰面积这类同量纲变量，我建议只做均值中心化，最多再做 Pareto 缩放（除以标准差的平方根）。因为标准化会把每个变量强行缩放到单位方差，那些纯噪声的波长点也会被放大，反而拖累模型。但如果数据里混了不同类型的变量，比如温度、浓度、传感器读数放在同一张表里，量纲差异极大，那就必须用标准化，否则量纲大的变量会主导潜变量方向。
| 预处理方式 | 计算公式 | 适用场景 | 备注 |
|---|---|---|---|
| 均值中心化 | (x - mean(x)) | 同量纲光谱/色谱数据 | 几乎必做，去基线偏移 |
| 标准化 | (x - mean(x)) / std(x) | 混合量纲变量 | 会放大噪声，慎用 |
| Pareto 缩放 | (x - mean(x)) / sqrt(std(x)) | 同量纲但有较大动态范围 | 折中方案，光谱数据常见 |
还有一个容易被忽略的细节：预处理的拟合对象只应该是训练集。比如 StandardScaler 要先在训练数据上 fit，再用同一个 scaler 去 transform 测试集。如果先把全量数据标准化再切训练测试集，测试集的信息已经偷偷跑进训练过程里了，这叫数据泄漏，后面模型评估结果会虚高。这一点我在第 5 章还会详细讲。
2.3 类不平衡与样本划分：早早发现问题
PLS 的目标是最大化 X 与 Y 的协方差，如果某一类样本很多、另一类很少，协方差会被多数类主导，模型在少数类上的表现就会很差。这种不平衡在医学数据里太常见了，患病组往往只有几十例，对照组几百例。
我建议先别急着做采样，先用分层抽样划分训练测试集，把模型跑出来看一眼混淆矩阵。如果少数类表现差但多数类没问题，再考虑 SMOTE 过采样或对少数类加权。为什么不直接采样？因为某些情况下少数类的“差”可能是特征本身区分度不够，采样只是临时平衡了数量，解决不了信息不足的问题。采样也必须在交叉验证内部完成，否则同样的折叠信息泄漏问题会再次出现。
分层的另一种必要性是针对小样本。某些类总共只有十来个样本，随机划分可能把某一类全部分到测试集，导致训练集缺失该类。用 StratifiedKFold 或 train_test_split 的 stratify 参数能保证每个划分里各类比例和总体一致，这是 PLS-DA 项目里最低限度的数据纪律。
3. 手写一个 PLS-DA 分类模型：代码、参数选择与评估
3.1 环境与工具：为什么我推荐 scikit-learn
做 PLS-DA 的工具链不算多，但很明确。R 语言里有ropls包，专做 PLS-DA，输出 VIP、得分图非常方便；MATLAB 生态有 libPLS；Python 这边最常用的是 scikit-learn 的PLSRegression。虽然名字叫 Regression，但配上 One-Hot 编码就能完成判别任务，所以我这套演示基于它。
用 sklearn 的一个麻烦点是PLSRegression不是分类器，cross_val_score默认会用 predict 的连续输出和真实标签比，直接报错或得到诡异结果。解决办法也简单：手动写交叉验证循环，或者写一个自定义 scorer。为了让大家把核心逻辑看清楚，我选择手动循环展示。这样每个环节都是透明的，真出问题也知道从哪里排查。
3.2 完整代码流程：从模拟数据到交叉验证
下面这份代码生成一份模拟光谱数据，三类样本，每类 120 个样本，200 个波长点。真实场景下你把X换成你自己的特征矩阵、y换成标签向量即可，处理流程完全一样。
import numpy as np import pandas as pd from sklearn.cross_decomposition import PLSRegression from sklearn.model_selection import train_test_split, StratifiedKFold from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.metrics import accuracy_score, confusion_matrix, classification_report rng = np.random.default_rng(42) n_features = 200 wavelength = np.linspace(400, 2500, n_features) X_list, y_list = [], [] class_config = { 0: ([800, 1200, 1800], [1.0, 0.8, 1.2]), 1: ([900, 1400, 2000], [1.1, 0.9, 0.7]), 2: ([750, 1300, 2200], [0.9, 1.1, 1.0]), } for cls, (centers, amps) in class_config.items(): for _ in range(120): spec = np.zeros(n_features) for center, amp in zip(centers, amps): spec += amp * np.exp(-0.5 * ((wavelength - center) / 30) ** 2) spec += rng.normal(0, 0.05, n_features) X_list.append(spec) y_list.append(cls) X = np.array(X_list) y = np.array(y_list) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) ohe = OneHotEncoder(sparse_output=False) Y_train = ohe.fit_transform(y_train.reshape(-1, 1)) skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) n_comp_list = range(1, 21) cv_mean, cv_std = [], [] for n_comp in n_comp_list: fold_scores = [] for train_idx, val_idx in skf.split(X_train, y_train): scaler = StandardScaler().fit(X_train[train_idx]) Xtr = scaler.transform(X_train[train_idx]) Xval = scaler.transform(X_train[val_idx]) pls = PLSRegression(n_components=n_comp) pls.fit(Xtr, Y_train[train_idx]) pred = pls.predict(Xval) y_pred = np.argmax(pred, axis=1) fold_scores.append(accuracy_score(y_train[val_idx], y_pred)) cv_mean.append(np.mean(fold_scores)) cv_std.append(np.std(fold_scores)) best_idx = int(np.argmax(cv_mean)) best_k = n_comp_list[best_idx] print(f"best n_components = {best_k}, CV accuracy = {cv_mean[best_idx]:.4f}")跑完这段代码，你会看到模拟数据下最佳主成分数通常落在 1～4 之间。这也符合 PLS 的实际特性：潜变量不是越多越好，第一两个方向往往就抓住了绝大部分判别信息。接下来用最佳成分数在全体训练集上重新建模，用标准化后的测试集评估：
scaler = StandardScaler().fit(X_train) Xtr_std = scaler.transform(X_train) Xte_std = scaler.transform(X_test) pls_final = PLSRegression(n_components=best_k) pls_final.fit(Xtr_std, Y_train) pred = pls_final.predict(Xte_std) y_pred = np.argmax(pred, axis=1) print("Accuracy:", accuracy_score(y_test, y_pred)) print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred))测试集上的准确率通常在 95% 以上，这是模拟数据，信号比较干净。真实光谱数据如果预处理得当，达到类似效果也不奇怪，毕竟 PLS-DA 在近红外公检法场景里的“实战”地位就是靠这个打出来的。
3.3 主成分数怎么定：别只看训练集误差
主成分数（n_components）是 PLS 建模里最关键的参数，没有之一。选少了，信息没提取够，模型欠拟合；选多了，潜变量开始拟合噪声，模型过拟合。经验判断法就是画交叉验证准确率曲线，看准确率随成分数增加的走势，一般会先快速上升，然后进入平台期，再往后可能微降或震荡。
平台期的那个点就是最佳成分数。为什么不能直接选交叉验证准确率最高的那个？因为小样本下交叉验证的方差很大，多一个或少一个成分导致的准确率差异可能只是 0.5 个百分点，但潜变量数量一变，模型复杂度就变了，稳定性完全不一样。我习惯选“第一个达到平台期”的成分数，而不是“数值上最高”的。比如 3 个成分准确率 0.93，4 个成分准确率 0.94，那我可能选 3，因为多出的那个成分很可能只是在拟合某个折里的噪声。
也可以同时观察训练集误差和交叉验证误差的差距。如果训练集误差一直下降，交叉验证误差在某个点后却开始上升，那么交叉验证误差的谷底就是标准的过拟合拐点。对数线性模型，误差曲线通常比较平滑，不像树模型是阶梯式跳跃，所以这个拐点往往很清晰。
3.4 评估指标怎么选：准确率之外还要看什么
PLS-DA 在很多文章里会给出 R²Y 和 Q²Y 两个指标，这是从回归视角延伸出来的。R²Y 是模型对训练集 Y 的解释度，Q²Y 是交叉验证预测后算出来的预测能力，Q²Y 明显低于 R²Y 时说明过拟合。这个判断标准比单纯看准确率更细腻，因为它监控的是“连续得分”层面的拟合效果。
分类层面，二分类一定要看 AUC。PLSRegression 预测输出是连续的，这就是天然的决策分数，可以直接拿去做 ROC 曲线。多分类除了看准确率，还要看混淆矩阵和 macro F1。类别不平衡的场合，平衡准确率（balanced accuracy）比总体准确率更有参考意义，否则模型全猜多数类也可能有 80% 的准确率。
实操的时候我会把 classification_report 打出来看每一类的 precision 和 recall。如果某一类的 recall 明显偏低，说明模型在识别该类上有系统性问题，需要回到特征或样本层面处理，而不是简单调整阈值。
4. 不只会预测：用 VIP 分数解释模型、筛选关键变量
4.1 VIP 分数的原理与计算
PLS 的一个巨大优势是模型可解释。变量重要性投影（Variable Importance in Projection，VIP）能告诉你哪些原始变量对分类的贡献最大，这在业务沟通里几乎是“续命神器”。工资表发给业务方，对方最关心的问题永远是：到底哪些特征让这批样品分成了不同类别？
VIP 的基本思想是：把每个潜变量方向上的权重，按该潜变量解释 Y 的能力加权，再汇总到每个原始变量头上。VIP 大于 1 的变量通常认为强重要，0.5 到 1 之间算中等重要，低于 0.5 可以考虑剔除。这个阈值不是数学定理，而是经验惯例，实际使用时要结合载荷系数一起判断。
sklearn 没有直接提供 VIP 函数，但可以用模型属性近似计算，下面这个函数在多数场景下够用：
def compute_vip(pls_model): t = pls_model.x_scores_ w = pls_model.x_weights_ q = pls_model.y_loadings_ p = w.shape[0] ssy_x = np.sum(q ** 2, axis=1) * np.sum(t ** 2, axis=0) w_norm = w / np.linalg.norm(w, axis=0) vip = np.sqrt(p * np.sum(ssy_x * (w_norm ** 2), axis=1) / np.sum(ssy_x)) return vip代码里ssy_x表示每个潜变量解释 Y 的平方和，w_norm是归一化后的权重。这样得到的 vip 向量长度等于原始特征数，数值越大越重要。拿到之后可以argsort排序，直接输出排名。
4.2 得分图与载荷图：把分类差异“画”出来
除了 VIP 数字，我更推荐画图。把训练样本投影到前两个潜变量上，按类别着色，一眼就能看出模型到底有没有学到判别结构。sklearn 里，PLSRegression 拟合完成后x_scores_就是每个样本的潜变量得分，直接拿来做散点图：
import matplotlib.pyplot as plt scores = pls_final.x_scores_ plt.figure(figsize=(8, 6)) for cls in np.unique(y_train): mask = y_train == cls plt.scatter(scores[mask, 0], scores[mask, 1], label=f"Class {cls}", alpha=0.7) plt.xlabel("LV1 score") plt.ylabel("LV2 score") plt.legend() plt.show()如果三个类别在得分图上明显分成三团，那模型的判别逻辑就很直观了。载荷图则是看每个原始特征在这些潜在方向上指向哪里，可以和 VIP 配合使用，确认某个变量到底把样本“推向”哪一类。真实项目中我经常把这个图和 VIP 表格一起放进报告，业务方看完基本不用再多解释。
4.3 变量筛选后重建模：案例经验
VIP 筛选是我最喜欢的 PLS 玩法。拿到全部变量算 VIP 后，筛掉 VIP < 0.5 的变量，用剩余变量重新走一遍交叉验证，你会惊讶地发现准确率通常不降、有时还升，而且模型更稳定。原因很简单：被筛掉的大多是噪声波长或与分类无关的基线区间，去掉它们后，潜变量不需要再分配权重去拟合这些无用信息。
需要注意筛选后的主成分数要重新选，不要沿用原来的数值。因为特征数量变了，潜变量的解释方向会跟着变，之前选出的“最佳成分数”可能偏多或偏少。另外，变量筛选本身也是一种信息利用，如果想严谨评估筛选流程的泛化能力，应该把 VIP 计算放到每一折交叉验证内部去做，而不是先在全量训练集上筛完再交叉验证。后一种做法在严苛评估时也会有轻微的数据泄漏风险，但实际项目里如果只是给业务方一个参考排序，通常可以接受。
5. 我踩过的坑：PLS 分类模型常见问题与排查实录
5.1 训练集满分、验证集翻车：过拟合排查
这是 PLS-DA 新手最常撞的墙。模拟数据里你可能觉得不明显，换到真实光谱数据，几十个样本、几百个变量，只要n_components一调大，训练集准确率轻松冲到 100%，测试集却是 60%。原因就是潜变量开始把样本间噪声当作判别信息了。
排查顺序我一般固定三步。第一步，打印不同成分数下的交叉验证准确率曲线，看是否存在“峰值后下降”的走势；第二步，把n_components强制调回拐点之前的值，重新评估；第三步，检查预处理有没有泄漏，标准化的 fit 是不是只用了训练折。这里有一条重要经验：不要把交叉验证准确率曲线上的“最高点”当答案，要找“平台期刚开始”的位置。
5.2 混淆矩阵偏向某一类：不平衡问题
三分类模型如果混淆矩阵显示，模型几乎把所有样本都判成了 0 类，说明 0 类在训练集中占比过大，或者 1、2 类的特征重叠严重。前者是数量问题，后者是特征问题，处理方式完全不同。
先看每类样本数和混淆矩阵的行列分布。如果是数量问题，我用 SMOTE 在少数类上过采样，并在交叉验证内部执行，防止信息泄漏。如果是特征重叠，我会先画得分图，看 1 类和 2 类在潜变量空间里是否本来就叠在一起。真叠在一起的话，说明 PLS 的线性潜变量无法区分它们，这时候我不会硬调模型，而是换 xgboost 这类非线性模型看能否找到更复杂的边界。
5.3 预处理泄漏：一个隐蔽的坑
数据泄漏在 PLS-DA 里非常隐蔽，防不胜防。最常见的错误是：先用全部数据做了标准化或特征筛选，再切训练测试集。比如你要做方差过滤，拿着全量数据算方差，然后只保留方差大的特征，这本身就利用了测试集信息，交叉验证结果会虚高。
正确做法是把所有涉及“全局统计量”的操作都塞进训练折内部。标准答案是用 sklearn 的 Pipeline 把 StandardScaler 和 PLSRegression 串起来，配合自定义 scorer 做交叉验证。或者像我在第 3 章代码里那样手动在每折内重新 fit scaler。每次在交叉验证外层看到有人先 fit scaler 再切数据，我都想提醒一句：你现在得到的准确率，上线后会打折扣。
5.4 高频问题速查表
| 现象 | 可能原因 | 排查顺序 | 解决方案 |
|---|---|---|---|
| 训练集 100%，测试集差 | 潜变量过多 | 看 CV 曲线，找拐点 | 降低 n_components |
| 混淆矩阵偏向多数类 | 类别不平衡 | 打印每类样本数 | 分层抽样、SMOTE、换模型 |
| 交叉验证结果比测试结果高很多 | 预处理或筛选泄漏 | 检查 scaler fit 时机 | Pipeline 内完成预处理 |
| 结果每次跑都不一样 | 样本少，划分随机性大 | 重复交叉验证看波动 | 固定 random_state，用 repeated KFold |
| 准确率一直上不去 | 数据高度非线性 | 画得分图看重叠 | 尝试 xgboost 等非线性模型 |
表中最后一条我多说一句：PLS 本质是线性模型，它擅长的是线性可分的判别问题。如果得分图上样本重叠严重，再调参数也是缘木求鱼，及时转向更复杂的模型才是正道。
6. PLS 分类和 XGBoost 二分类怎么选？
6.1 线性与非线性、解释与精度的权衡
xgboost 这两年是二分类任务里的“显学”，很多朋友一上手就想堆 xgboost，完全忘了数据形态。xgboost 的优势在非线性建模、大规模稀疏数据和复杂特征交互，但代价是黑箱、调参成本高、小样本下容易过拟合。PLS-DA 的优势则恰好补上这些短板：线性结构时参数极少、模型透明、变量权重可直接解释，而且对“样本数小于特征数”的数据天然稳健。
拿近红外光谱做掺假检测来说，样本可能只有 100 个，波长点却有 1000 个，而且类别差异本质上就是“吸收光谱形状的线性叠加”。这种场景用 PLS-DA，两三个潜变量就能达到 95% 准确率，业务方还能指着 VIP 排名问“是不是这 5 个波长点贡献最大”。换成 xgboost 可能也能到 96%，但它给出的特征重要性是“分裂次数”“增益”，解释起来远没有 VIP 直观。
| 维度 | PLS-DA | XGBoost 二分类 |
|---|---|---|
| 线性假设 | 强线性 | 非线性 |
| 样本量要求 | 可达几十个 | 通常需要几百以上更稳 |
| 高维共线性 | 天然擅长 | 需要正则化和调参 |
| 可解释性 | 高，有 VIP/载荷 | 低，特征重要性较抽象 |
| 调参复杂度 | 低，主要调 n_components | 高，多组超参组合 |
| 类别不平衡支持 | 无内建权重 | class_weight / sample_weight |
| 缺失值处理 | 需提前处理 | 可部分自动处理 |
6.2 经验法则：从基线到升级
我的习惯是先用 PLS-DA 做基线。它训练快，几乎不用调参，几分钟就能给出一个可解释的参考结果。如果基线准确率已经超过业务需求（比如 95% 以上），完全没必要上复杂模型，省下来的时间和维护成本都是利润。如果基线卡在 80% 上下，说明数据里可能存在非线性关系，这时候再引入 xgboost 做对比，价值才真正体现出来。
还有一种组合玩法我很推荐：先跑 PLS-DA 提取 VIP 排序，把排名靠后的特征剔除，再用筛选后的特征去训练 xgboost。这样既保留了一部分解释性，又拿到了非线性模型的精度提升。只是要牢记，筛选如果是为了最终模型评估，务必把 VIP 计算嵌进交叉验证流程，否则评估结果会偏乐观。如果业务目标是长期稳定上线，我更偏向直接用 PLS-DA，因为它参数少、行为可预期，后期监控起来省心得多。
最后再分享一个我常用的细节：选择 n_components 时，不要只看一次交叉验证的平均准确率，最好多跑几次重复交叉验证，看平均值和标准差。选那个平均高、标准差还小的参数，模型上线后的稳定性会比单次调参选出来的好很多。这个习惯帮我避免过无数次“测试集看着完美、换批数据就翻车”的尴尬。PLSD-DA 不是新潮算法，但它依然是很多细分行业里最实用的白盒分类工具，学会它，你在处理高维小样本数据时就有了一个真正能落地的底牌。
