这个结果意味着无论您使用什么方法，您都能够合理地接近最优决策规则（又名贝叶斯规则）。Hastie、Tibshirani 和 Friedman 的“统计学习要素”中已经解释了根本原因。他们通过比较图 1-2 展示了不同方法的执行情况。2.1、2.2、2.3、5.11（在我的第一版中——在多维样条部分）、12.2、12.3（支持向量机），可能还有其他一些。如果您还没有读过那本书，您需要立即放下所有内容并阅读它。（我的意思是，失去工作不值得，但如果你是学生，错过一两个家庭作业是值得的。）

我不认为观察变量比率是解释。根据我上面提供的基本原理，这是在多维空间中分隔类的相对简单的形式，您尝试的所有方法都能够识别它。

还值得关注一下训练错误。

基本上我不同意你的分析。如果逻辑回归等都给出相同的结果，则表明“最佳模型”是一个非常简单的模型（所有模型都可以很好地拟合 - 例如基本上是线性的）。

那么问题可能是为什么最好的模型是一个简单的模型？：这可能表明您的变量不是很有预测性。不知道数据当然很难分析。

正如@seanv507 所建议的那样，类似的性能可能仅仅是由于数据最好由线性模型分离。但总的来说，因为“观测值与变量比率如此之高”的说法是不正确的。即使您的样本量与变量数量之比趋于无穷大，您也不应该期望不同的模型执行几乎相同，除非它们都提供相同的预测偏差。

我猜这是因为我对变量比率的观察结果太高了。

我认为这个解释非常有道理。

如果这是正确的，那么不同的模型将以什么观察值与变量的比率开始给出不同的结果？

这可能在很大程度上取决于您的特定数据（例如，即使您的九个变量是连续的、因子、普通的还是二元的），以及您在拟合模型时做出的任何调整决定。

但是你可以玩弄观察与变量的比率——不是通过增加变量的数量，而是通过减少观察的数量。随机抽取 100 个观测值，拟合模型，看看不同的模型是否会产生不同的结果。（我想他们会的。）使用从您的观察总数中提取的不同样本多次执行此操作。然后查看 1,000 个观测值的子样本……10,000 个观测值……等等。