我的数据是一个具有 725 个特征和 667 个观察值的矩阵，其中包含二进制数据（0 或 1）。我的目标变量是一个单变量，它有两个类（0 或 1）。我删除了作为列总和为零的特征，因此特征减少到 652。因为我有一个二进制数据，所以我没有进行预处理（平均值 = 0 和 sd = 1）。但是，我的数据非常稀疏；有 99% 的稀疏性。如果我想在 10 cv 设置中使用 LDA 模型。然后我需要删除共线特征（这意味着应该删除列和为零的训练集中的所有特征）以预测每个折叠中的一小部分测试数据。如果是这种情况，那么在每次折叠中，我都必须删除一组不同的特征，这些特征在测试集的训练集中为零。在 10 c 之后完成我的 y.predict 是否可以接受？v（每个折叠使用不同的特征来预测 y）并最终对所有折叠进行 rowmean，然后显示分类器的准确性？我无法从该策略中选择正确的特征，但我可以获得分类器预测性能。