我完全懂你在WBCD数据集上做实验时的困惑——用PCA和LDA做特征提取后，逻辑回归的灵敏度确实提上去了，但精度却一直波动，还找不到专门解释这种现象的文献。其实这类研究大多分散在几个细分领域里，我给你梳理几个方向和值得参考的研究点：

• 类不平衡场景下的特征提取与灵敏度的隐含关联
  WBCD本身是典型的类不平衡数据集（恶性样本占比远低于良性），而灵敏度（召回率）恰恰是衡量模型捕捉少数类能力的核心指标。不少研究其实隐含了这层逻辑：

  比如早期的《Feature Extraction for Imbalanced Data Classification》，虽然没有直接把灵敏度作为单一指标拆解，但明确提到LDA通过最大化类间散度、最小化类内散度的特性，会让少数类的特征模式更突出，间接提升了模型识别少数类样本的能力，也就是你观察到的灵敏度提升。
  至于PCA，如果降维时保留了和少数类相关性更高的主成分，也会让逻辑回归的拟合重心偏向少数类的特征，自然拉高了灵敏度。

• 特征降维对逻辑回归性能维度的调控机制
  逻辑回归作为线性模型，在高维特征下很容易过拟合，PCA/LDA降维后过滤了噪声，模型对核心特征的拟合会更稳定，但如果降维时保留的成分对多数类的区分度不稳定，就会导致整体精度（准确率）出现波动。相关的研究比如《Regularization and Feature Extraction for Logistic Regression in High-Dimensional Data》，里面提到特征提取不仅能降低计算量，还能通过重构特征空间改变模型对不同类别的偏向性——当降维后的空间更利于少数类识别时，灵敏度就会提升，但如果对多数类的区分有所牺牲，精度就会跟着波动。

• 从特征权重变化角度的细分研究
  你也可以关注那些分析特征提取后特征重要性变化的研究，比如《Interpreting Feature Extraction: How PCA and LDA Alter Feature Relevance for Classification》，这类研究指出，PCA和LDA会重新分配特征的权重，原本对少数类识别至关重要的特征，在降维后的空间里可能被赋予更高的权重，使得逻辑回归在预测时更倾向于捕捉少数类的信号，最终带来灵敏度的提升。

另外提个小建议：这类现象很少被单独作为研究主题，更多是作为类不平衡分类或特征降维对分类器性能影响的子结论出现，你可以调整文献搜索的关键词，比如用「feature extraction + recall/sensitivity + imbalanced classification」「PCA LDA logistic regression sensitivity improvement」这样的组合去查找，应该能挖到更多相关的会议论文或期刊文章。

内容的提问来源于stack exchange，提问作者odemane