多指标定量测定与等级预测：PCA、OPLS-DA、FA、熵权TOPSIS实战

做多指标定量测定的人，十有八九都会被同一个问题卡住：指标测了一堆，数据表格填得满满当当，但领导或者审稿人一句“所以它到底属于哪个等级”，就让你不知道怎么回。项目名称里这串组合——PCA、OPLS-DA、FA、熵权TOPSIS——不是炫技，恰恰是我踩了不少坑之后沉淀下来的一套完整解决思路。这篇文章把整个流程掰开揉碎，从原理到MATLAB实现，从参数选择到避坑经验，一次性讲清楚，目标是让你拿到自己的多指标数据后，能照着搭出一条从“原始测定值”到“等级预测结论”的可靠链路。

做这事的场景很典型：食品掺伪鉴别、中药材道地性划分、环境水体质量分级、土壤重金属污染评价，甚至工业产品的质量分等。你手里通常有一批样本，每个样本测了若干个指标（比如化学成分含量、理化性质、传感器响应值），样本本身又分几个已知等级（优级、良级、一般/合格、不合格），新来一个未知样本，要预测它属于哪一级。PCA和FA负责把高维指标压缩成看得见的结构，OPLS-DA负责判别分类，熵权TOPSIS负责给出一个客观的综合评分和排序——五者各管一段，组合起来才是一个完整闭环。

1. 先把思路捋清楚：为什么要“五合一”

1.1 单模型各有短板，组合才有意义

很多人上来就只跑一个PCA，出一张二维得分图，然后指着一个聚类说“这大概是一类”。这在样本量小、类别少的时候勉强能看，但问题有两个：第一，PCA是无监督方法，它只抓最大方差方向，不关心你的分组标签，导致有时候最能区分组别的信息反而被压缩到后面的主成分里；第二，PCA给不出一个“新样本归谁”的量化判据。判断标准靠肉眼，这在发表论文或者实际质检时站不住脚。

OPLS-DA解决了“分类判据”的问题，但它本质上是判别分析，输出的是样本归属类别和预测概率，不是一个精细的等级排序。FA能从可观测指标里提炼潜在因子，方便解释“哪些指标是一伙的”，但同样不直接回答问题。熵权TOPSIS是综合评价里的经典组合，能把多维指标合成一个得分并排序，但它是纯数据驱动的静态评价，没用到已知类别的先验信息。

所以我的核心思路是：PCA先看全局结构，FA做潜在维度解释，OPLS-DA做有监督的定性判别，熵权TOPSIS做无监督的综合定量排序，最后用已知等级样本的TOPSIS得分分布作为切分依据，实现对新样本的等级预测。这四条腿走路，比任何一个单模型都稳。

1.2 整体技术路线：每一步对应一个明确产出

完整流程我用文字描述，不画图，你按顺序在MATLAB里执行就行：

1. 原始多维测定矩阵X（样本×指标），先做数据清洗和标准化，产出干净的建模数据。
2. 跑PCA，拿到特征值、方差贡献率、主成分得分和载荷，用碎石图和二维/三维得分图观察自然聚类。
3. 跑FA（因子分析），得到因子载荷矩阵、旋转后的潜在因子和因子得分，解释指标间的潜在关联。
4. 已知等级的训练集上跑OPLS-DA，得到区分样本类别的判别模型、VIP值、混淆矩阵，确认可判性。
5. 全部样本用熵权法计算每个指标的客观权重，再跑TOPSIS，得到每个样本的相对贴近度Ci，按已知等级统计Ci区间，建立等级判别阈值。
6. 新样本走同一套标准化与打分流程，先看OPLS-DA分到哪一类，再看Ci落在哪个阈值区间，两者互相印证，输出最终等级。

这套流程的妙处在于：它把“分类”和“排序”结合了。分类告诉你“变化趋势属于哪一群”，排序告诉你“在这个群里综合水平是优还是良”。

1.3 为什么用MATLAB而不是Python

不是Python不能做，而是MATLAB在这类多变量分析上有三个天然优势。第一，pca、factoran、plsregress这些函数属于官方工具箱，接口稳定、文档完善，出了bug好排查。第二，交互式环境对“跑一步看一步”的工作流非常友好，参数调整可以实时看到结果反馈。第三，矩阵化编程思维跟多元统计的数学表达高度一致，写代码时不容易出现转换错误。你在网上搜到的“matlab pca主成分分析”“matlab topsis综合评价法”大多是官方函数包装好的现成实现，这也是我推荐它的直接原因。

2. 数据准备与预处理：这一步决定后面所有结果

2.1 数据应该长什么样

我用一个虚构但非常接近实际任务的例子来说明。假设要判定一批食品样本的等级，每个样本测了7个指标：总黄酮含量（mg/g）、多糖含量（%）、总酚含量（mg/g）、灰分（%）、水分（%）、粗纤维（%）、DPPH自由基清除率（%）。共30个训练样本，三个等级：优级（10个）、良级（10个）、一般（10个），另外有5个未知样本要预测。

在MATLAB里，数据组织成两个矩阵即可：

% Data_X: 30x7 训练样本测定值 % Data_Y: 30x1 等级标签，1=优，2=良，3=一般 % New_X: 5x7 未知样本测定值 % var_names: 1x7 cell，比如 {'总黄酮','多糖','总酚','灰分','水分','粗纤维','DPPH'}

这一条值得多说两句：指标的顺序、单位、量纲差异极大，有的含量是mg/g，有的是%，有的是百分率。如果直接扔进模型，量级大的指标会在距离计算里“称王称霸”，量级小的指标直接失去话语权。所以预处理不是可选项，是必选项。

2.2 标准化：用zscore还是极差归一化

这一步要有讲究。PCA、FA、OPLS-DA这类基于方差协方差结构的模型，我用的是zscore标准化（均值为0、方差为1），因为协方差矩阵在这里就是相关系数矩阵，保证每个指标在计算主成分时地位平等。

[X_norm, mu, sigma] = zscore(Data_X);

TOPSIS那一环节就要换思路了。熵权法中熵的计算用的是概率p_ij，而概率要求非负，zscore之后的负值会出问题。所以到TOPSIS时，我会对正面指标（比如黄酮含量，越高越好）和负面指标（比如水分，有时越低越好）分别做极差归一化：

% 正面指标：指标值越高越好 x_norm = (x - min(x)) / (max(x) - min(x)); % 负面指标：指标值越低越好 x_norm = (max(x) - x) / (max(x) - min(x));

我建议在项目刚开始时就把两套标准化都写好，PCA/FA/OPLS-DA用zscore版，TOPSIS用极差版。不要偷懒只做一套然后到处调用，后面会哭。

2.3 缺失值与异常值：先用箱形图过一遍

网上热词里有“根据箱形图检测异常值的matlab程序”，这在多指标测定场景里非常实用。测定过程难免有设备抖动、违样本污染、记录笔误，一个离谱的离群点能拽偏整个PCA的方向。我的习惯是预处理阶段先画箱形图：

figure; boxplot(X_norm, 'Labels', var_names); ylabel('标准化值'); grid on;

看到箱外的点先不急着删，停一下想清楚：这个样本本身是不是有问题的实验样品？如果是正常样品但指标极端，那是真实差异，可能恰恰是分类的关键样本，删了反而坏事。只对明确属于“前处理失误”“仪器漂移”“记录错误”的点采用中位数填补或剔除。我的原则：异常值是敌人，极端样本是线索，不要混为一谈。

3. PCA和OPLS-DA：先看能不能分开，再问怎么分

3.1 PCA原理与MATLAB实现：为什么用协方差矩阵

PCA的基本逻辑是：原始p个指标之间通常强相关——比如总酚含量和DPPH清除率往往正相关，水分和灰分往往负相关——那么用p个坐标轴描述样本就产生了大量冗余。PCA的工作是把这些相关指标重新组合成互不相关的主成分，每个主成分是原始指标的线性组合，第一步找方差最大的方向，第二步在正交方向上找剩余方差最大的方向，依此类推。

这里经常有人问：为什么PCA要算协方差矩阵的特征值分解？协方差矩阵对角线是各指标方差，非对角线是两两协方差，它完整刻画了变量间的线性关系的“量的结构”。PCA本质上是在做协方差矩阵的谱分解，特征值就是各主成分解释的方差大小，特征向量就是新坐标轴的方向。一旦特征值小了，对应的特征向量方向上的信息就接近噪声。所以“用协方差矩阵特征值分解”不是拍脑袋，而是把“找最大方差方向”的优化问题转化成标准的线性代数问题。

MATLAB里不需要手写特征分解，一个函数就够了：

[coeff, score, latent, tsquared, explained] = pca(X_norm);

• coeff是载荷矩阵，7×7，每一列是一个主成分的载荷向量。
• score是主成分得分矩阵，30×7，每一行是样本在新坐标系里的坐标。
• latent是特征值，对应各主成分方差。
• explained是各主成分方差贡献率百分比。

跑完之后立刻看结果：

figure; subplot(1,2,1); plot(explained, '-o', 'LineWidth', 1.5); xlabel('主成分序号'); ylabel('方差贡献率 (%)'); title('碎石图'); subplot(1,2,2); gscatter(score(:,1), score(:,2), Data_Y, 'rgb', 'o^*'); xlabel('PC1'); ylabel('PC2'); title('PCA得分图'); grid on;

这一步的核心价值不在分类，而是让你快速判断：如果前两个主成分的得分图已经能看出三团样本的大致分离，说明指标设计是有效的；如果完全糊成一团，后面硬跑OPLS-DA大概率还是分类一般，这时候回去查指标选得对不对，比调模型参数有用得多。

3.2 主成分个数：看累计贡献率，但不要强行85%

教科书说累计方差贡献率达到85%就够，但实际经验是：测定指标之间相关性越强，前两三个PC占的贡献率越高；指标独立性越强，需要的PC越多。我一般把主成分个数定为“累计贡献率刚超过80%”和“特征值大于1”两者的交集附近，同时尊重业务解释的容易程度。PC3、PC4载荷矩阵里如果有明确指向某类化学成分的载荷，即使贡献率只有6%，也保留。

有一个我踩过的坑：一开始做PCA只保留前两个主成分，画了张2D图，死活看不出分类趋势。后来把PC3也画进去才发现三组样本在PC3方向上分得清清楚楚。PCA前两个方向的方差最大，但最大方差方向不一定是分类方向，这在无监督降维里很常见。所以至少要看三维散点图，再用颜色标记类别。

3.3 OPLS-DA：把“能分开”变成“能被判别”

PCA告诉我样本有聚类趋势，但项目要求的是“等级预测”，我需要一个有监督模型直接输出“新样本属于哪一类”。OPLS-DA是偏最小二乘判别分析（PLS-DA）的升级版。它的核心思想是：把X矩阵里的变异分成两部分，一部分是与类别标签Y相关的预测信息，另一部分是与Y无关的正交变异（比如批次效应、仪器漂移），然后把正交部分从X里扣除，再用剩下的预测成分做判别。

说人话就是：PLS-DA的分类效果容易被与分类无关的巨大变异干扰，比如不同月份测定的系统性漂移可能比真实类别差异还大；OPLS-DA专门把这些干扰“扣”出来，让分类决策只依赖与标签有关的信息。这就是它名字里“O（Orthogonal，正交）”的意义。

MATLAB官方没有直接叫oplsda的函数，这反而是很多人卡住的地方。我实际用的是两种方案，任选其一：

方案A：安装第三方工具箱libPLS或者Eigenvector的PLS_Toolbox，有专门函数。

方案B：自己写一个简化的OSC-PLS流程，先用正交信号校正剥离与Y正交的X变异，再用plsregress跑PLS-DA。

我给出方案B的简洁实现框架，核心是OSC部分：

function X_osc = osc_filt(X, Y, n_components) % X: 样本×指标矩阵（已zscore） % Y: 类别标签，需要转为哑变量矩阵 % n_components: 需要剥离的正交成分数 X_osc = X; for k = 1:n_components % 1. 计算X与Y之间的权重 w = X'*Y / norm(X'*Y) w = X_osc' * Y; w = w / norm(w); % 2. 得分 t = X*w t = X_osc * w; % 3. 正交权重 w_orth = X'*t - w*(t'*t)/(w'*w)?? 这里做修正 w_orth = X_osc' * t - w * (t'*t) / (w'*w); w_orth = w_orth / norm(w_orth); % 4. 正交得分 t_orth = X*w_orth t_orth = X_osc * w_orth; % 5. 从X中减掉正交部分 p_orth = X_osc' * t_orth / (t_orth' * t_orth); X_osc = X_osc - t_orth * p_orth'; end end

然后再用fitcdiscr或逻辑回归对振荡过滤后的X_osc做分类。这里要诚实提醒：自己写OSC容易在正交权重更新公式上出数值bug，初学者建议直接用libPLS。libPLS的MATLAB版本很轻量，解压后addpath(genpath('libPLS'))就能用，里面直接有plslda函数，交叉验证、VIP值都一起给了，省心太多。

OPLS-DA结果里，VIP分数（Variable Importance in Projection）是我必看的：VIP大于1的指标是对分类有显著贡献的核心指标，VIP在0.5到1之间的是边缘指标，小于0.5的大概率是凑数指标。这直接反哺实验设计：下次做多指标定量测定，可以砍掉一批VIP低的指标，省时省钱。

4. FA因子分析：找到藏在指标背后的“共同原因”

4.1 因子分析和PCA的区别，别搞混

PCA和FA在外观上很像，都是降维、都看载荷、都画得分图，但逻辑有本质区别。PCA做的是“方差分解”，它把总方差拆成互不相关的成分，不关心这些成分有没有业务含义。FA做的是“协方差结构分析”，它假设你测到的这些可观测指标背后有几个不可观测的潜在因子（比如“抗氧化活性”这个因子同时影响了总酚、黄酮、DPPH三个指标，“基础理化品质”这个因子同时影响水分、灰分、粗纤维），然后用“共性方差”解释指标之间的相关性。

所以FA的价值在解释，不在预测。它回答的是“为什么这些指标会同步变化”，而不是“样本怎么分类”。我在项目里用FA主要为了两件事：第一，验证多指标测定的指标体系结构是否合理，如果理论上一伙的指标（比如抗氧化相关）在旋转后确实载荷到同一个因子上，说明测定方案靠谱；第二，用因子载荷去辅助解读PCA/OPLS-DA的化学意义，写论文讨论部分时很有用。

4.2 factoran函数与方差最大旋转

MATLAB实现很直接：

% 提取3个潜在因子，用varimax旋转让载荷矩阵结构更清晰 [lambda, psi, ~, ~, stats] = factoran(X_norm, 3, 'rotate', 'varimax');

lambda是载荷矩阵，7×3，每行是一个指标在3个因子上的载荷，载荷绝对值越接近1，说明这个指标和该因子关系越紧密。psi是特殊方差，是每个指标不能被公共因子解释的部分。stats里可以看p值，p值较大说明因子个数选择合理。

我一般会做一个可视化，把载荷矩阵画成条形图或热图：

figure; imagesc(abs(lambda)); colormap(parula); colorbar; xticks(1:3); yticks(1:7); xticklabels({'因子1','因子2','因子3'}); yticklabels(var_names); title('旋转后因子载荷绝对值热图');

一个关键经验：因子个数一般设定在2~4个之间，靠特征值法和碎石图辅助判断。因子个数设多了，会出现指标被强行分裂到多个因子上，业务解释困难；设少了，共同因子解释不了足够多的方差，模型显得没什么用。另外KMO检验和Bartlett球形检验是跑FA前的基本体检：KMO大于0.6、球形检验p小于0.05，说明数据适合做因子分析。MATLAB里可以用corrcoef和cancorr的辅助函数实现，但即使不做这些检验，只要PCA得分图有结构，FA通常也不会差到哪去。

5. 熵权TOPSIS：把多维指标合成为一个等级分

5.1 熵权法计算权重：让数据自己说话

到这一环节，PCA、OPLS-DA已经把样本的结构、类别、判别规律摸清了，但“等级”本身需要量化。TOPSIS是最经典的多准则决策方法，核心思想不复杂：在一个多维空间里，理想样本是每个指标都取最优值的“正理想解”，最差样本是每个指标都取最劣值的“负理想解”，某个样本和正理想解越近、和负理想解越远，它的综合水平就越高。关键问题变成了每个指标的权重怎么定。

权重有两种来源：主观赋权（AHP、专家打分）和客观赋权（熵权法、CRITIC）。在多指标定量测定这类场景里，我强烈推荐熵权法，因为它完全不依赖人为主观判断，直接用数据的信息量来决定权重，审稿人和领导都不好质疑。原理是：某个指标在所有样本上的数值差异越大——分布越混乱，信息熵越大——它就越能区分样本水平，权重就该越高；反过来，如果某个指标所有样本都几乎一样，它对等级划分几乎没有贡献，权重就应趋于0。

计算过程分三步：

第一步，极差归一化得到R矩阵（样本×指标），这一步同时处理了正负指标方向，所有值在0到1之间。

function R = normalize_improve(X, impact) % impact: 1表示正面指标（越高越好），-1表示负面指标（越低越好） [n, p] = size(X); R = zeros(n, p); for j = 1:p if impact(j) == 1 R(:,j) = (X(:,j) - min(X(:,j))) / (max(X(:,j)) - min(X(:,j))); else R(:,j) = (max(X(:,j)) - X(:,j)) / (max(X(:,j)) - min(X(:,j))); end end R(R == 0) = 1e-10; % 防止log(0) end

把零值替换成极小的正数这一步，看似不起眼，实际上是我吃过亏的地方。原始数据归一化后很容易出现0，直接代入熵公式会得到0 * log(0)，NaN瞬间传染整个矩阵，后面的TOPSIS全废。这个问题必须提前处理。

第二步，计算每个指标的信息熵：

function e = calc_entropy(R) [n, p] = size(R); P = R ./ sum(R, 1); e = -1 / log(n) * sum(P .* log(P), 1); end

第三步，由熵得到权重：

function w = calc_weight(e) d = 1 - e; % 信息效用值 w = d / sum(d); end

这个权重我要多说一句：熵权法给的是相对权重，只反映这批样本间的区分能力，不等于指标的科学重要性。比如总黄酮含量在“分级”意义上的区分能力低于水分，可能因为优级和良级样本的黄酮含量本来差异不大，但这不代表黄酮不重要。写报告时把它描述成“基于信息量的客观权重”，千万不要说“总黄酮对品质不重要”，否则会被领域专家怼。

5.2 TOPSIS计算与等级梯度划分

权重算完，接下来是TOPSIS主流程：

function Ci = topsis_score(R, w) [n, p] = size(R); V = R .* repmat(w, n, 1); % 加权规范化矩阵 % 正理想解与负理想解 V_plus = max(V, [], 1); V_minus = min(V, [], 1); % 各样本到理想解的距离 D_plus = sqrt(sum((V - V_plus).^2, 2)); D_minus = sqrt(sum((V - V_minus).^2, 2)); % 相对贴近度 Ci = D_minus ./ (D_plus + D_minus); end

得到全样本的Ci之后，用已知等级样本去建立等级阈值。做法很简单：把30个已知样本按等级分组，分别计算每组Ci的中位数和范围，然后观察分组是否紧凑。比如优级样本Ci在0.78~0.93，良级在0.56~0.75，一般在0.31~0.53。那么对新样本，先看OPLS-DA判它属于哪一类，再看它的Ci落在那一段，两者一致时直接下结论；不一致时以OPLS-DA的类别为准，但标注“综合得分偏低/偏高，建议复查测定数据”。

这一步往往能产生一个特别直观的三角图：横轴是OPLS-DA的判别得分或预测类别，纵轴是TOPSIS的Ci，不同等级样本自然分成三个横条，新样本落的位置一目了然。

6. 完整MATLAB实现：从数据到等级预测的一次跑通

6.1 主函数框架：我习惯的工程化写法

项目做得多了之后，我不喜欢把代码堆在一个脚本里，而是拆成两个层次：底层是各算法的函数文件（上面那些normalize_improve、calc_entropy、calc_weight、topsis_score其实都是独立函数），上层是一个主脚本控制流程。主脚本长这样：

%% 读取数据 Data_X = readmatrix('train_data.xlsx', 'Range', 'B2:H31'); Data_Y = readmatrix('train_data.xlsx', 'Range', 'I2:I31'); New_X = readmatrix('new_samples.xlsx', 'Range', 'B2:F6'); var_names = {'总黄酮','多糖','总酚','灰分','水分','粗纤维','DPPH'}; %% 预处理 [X_norm, mu, sigma] = zscore(Data_X); [New_X_norm] = (New_X - mu) ./ sigma; %% 1. PCA [coeff, score, latent, ~, explained] = pca(X_norm); %% 2. FA [lambda, psi] = factoran(X_norm, 3, 'rotate', 'varimax'); %% 3. OPLS-DA（以libPLS为例） Y_dummy = dummyvar(Data_Y); % 类别转哑变量 % 这里假设libPLS已加入路径 model = plslda(X_norm, Y_dummy, 3, 'scale', false); pred = plslda(model, New_X_norm); % 得到新样本的预测分类 new_class_pred = pred.y; %% 4. 熵权TOPSIS impact = [1 1 1 -1 1 -1 1]; % 根据业务设定正负指标方向 R = normalize_improve(Data_X, impact); e = calc_entropy(R); w = calc_weight(e); Ci_train = topsis_score(R, w); % 新样本归一化时要用与训练集相同的极值 R_new = normalize_improve_new(New_X, Data_X, impact); % 需要额外写一个函数 Ci_new = topsis_score(R_new, w); %% 5. 等级阈值与预测 % 用已知样本Ci和Data_Y计算每组区间 grade_table = table(); for g = 1:3 idx = (Data_Y == g); grade_table.range(g, :) = [min(Ci_train(idx)) max(Ci_train(idx))]; grade_table.median(g) = median(Ci_train(idx)); end disp(grade_table);

这里有个容易踩的细节：新样本做TOPSIS时，R_new的极差归一化必须用训练集的min和max，不能用新样本自己的min和max。否则新样本的取值范围变了，权重和理想解的概念就全乱了。我专门写了normalize_improve_new函数，内部传入训练集作为参照范围。

6.2 训练集交叉验证：别让模型看起来比实际准

无论OPLS-DA还是等级阈值，都要做交叉验证。我通常的做法是留一交叉验证（LOOCV），因为样本量不大（30个），LOOCV比K折更能充分利用每个样本。用混淆矩阵看判别准确率：

% libPLS中plslda自带交叉验证功能，输出混淆矩阵和准确率 cv = crossval(model, 'LOO', true); confusionchart(cv.y, Data_Y);

如果准确率低于80%，先别急着调模型，回头看点：分类界限到底清不清楚？是不是某些样本本身的标签就是错的？如果第二步PCA得分图上两类有重叠，OPLS-DA准确率大概率也上不去，这时候不是模型的问题，而是指标体系的信息量不够——要么加指标，要么换更灵敏的测定方法。

对于TOPSIS的等级阈值，我也做类似验证：训练集30个样本里每次留1个，把它的Ci和阈值比较看是否判对。这个验证结果往往和OPLS-DA的准确率相互独立，构成了一个交叉印证的证据链。

6.3 可视化：一张图把结论说清楚

一个完整项目跑完，我至少会出四张图，按汇报顺序排序：

第一张：PCA得分图（前三主成分三维图），展示样本自然分布和类别着色。第二张：OPLS-DA得分图（预测成分t1 vs 正交成分t1），展示判别效果；第三张：因子载荷热图，展示指标体系的内在结构；第四张：TOPSIS贴近度分布图，横轴样本编号，纵轴Ci，用不同颜色标等级区域，新样本用黑点标出来。

第四张图我尤其推荐，它的信息密度能顶半页文字：既告诉别人你的等级划分边界在哪，又能直观地看到新样本落在什么位置，有没有擦边球。汇报时所有指标数据都可以砍，这张图必须放。

7. 常见问题与排查清单：我替你先趟过的坑

7.1 问题速查表

把这个表保存下来，遇到问题直接对号入座：

7.2 OPLS-DA与TOPSIS结果矛盾时听谁的

这个问题我遇到不止三次。新样本的OPLS-DA判为“优级”，但TOPSIS贴近度只有0.45，落在“一般”区间。一开始我以为是BUG，后来想明白了：OPLS-DA用的是整体代谢轮廓或化学成分组合的相似性，它说“这个样本的谱学特征最接近优级训练样本”；TOPSIS用的是单指标加权后的综合评分，它说“按这批指标逐项加权，它的得分不算高”。两个模型评判维度不同，矛盾不奇怪。

我的处理逻辑：如果OPLS-DA的预测概率非常高（比如95%以上），且TOPSIS得分只是略低于阈值，我采信OPLS-DA，但会在报告里注明“综合评分位于等级边界附近，建议重复测定确认”；如果两个模型结论完全相反，坚决先查原始数据有没有异常，别急着下结论。这种矛盾本身也是多指标测定的价值所在——它提醒你单一维度评价可能失真。

7.3 样本量小的时候怎么稳住模型

多指标测定项目经常面临一个尴尬：指标10个，样本就20个。PCA还好，OPLS-DA很容易过拟合。我的经验是：

• 用交叉验证当作准确率的唯一依据，绝不用回代准确率（训练集本身的正确率没有说服力）。
• OPLS-DA的潜在变量数（latent variables）宁少勿多。用2~4个足够，变量数越多过拟合越严重。libPLS里可以用交叉验证选择最优潜在变量数量，别拍脑袋定。
• FA的因子个数同样宁少勿多，3个因子解释不了全部也没关系，只要业务可解释就行。
• 如果样本量不足30，熵权TOPSIS的权重会不稳定，这时候可以对比一两次重复抽样的权重，如果权重向量方向基本稳定，说明结论可信。

7.4 指标方向设定的业务逻辑

TOPSIS的impact向量必须由熟悉业务的人确认，这是整个模型里唯一“主观”的地方。以食品等级为例：总黄酮、多糖、总酚、DPPH清除率是越高越好，水分、灰分、粗纤维则要看具体产品品类，有的产品水分越低越好，有的产品对水分有特定标准，过高过低都不行。对于“适中最好”的指标，要用理想型归一化，达到区间中点时得分最高，偏离时递减。这个MATLAB实现起来不复杂，但需要你提前把每个指标的方向都敲定，否则算出来的权重和得分方向反了，结论直接翻车。

一些实际操作的体会

这套流程我前前后后跑过十几个项目，最大的感悟是：多指标定量测定本身不难，难的是别让数据白测。很多人花大把精力在测定上，结果到了数据分析阶段要么只会跑个PCA画个圈，要么只拿Excel算个加权平均分，白白浪费了数据里藏着的判别信息。PCA、OPLS-DA、FA、熵权TOPSIS这组组合，恰恰补上了从“测出数值”到“说出结论”之间的整条链路：无监督方法帮你发现结构，有监督方法帮你建立判别，综合评价方法帮你量化排序，三者互为印证，结论比任何单一方法都站得住。

代码务必按“函数文件+主脚本”的思路整理，保存好每次运行的参数和阈值，特别是训练集的均值和标准差、极差归一化的min和max，这些是复现结果的核心资产。下次新样本进来，十分钟就能完成一次完整的等级预测。

这个方法换一批指标和样本之后，完全可以迁移到你自己的项目里。只要把指标名、正负方向、等级标签替换掉，代码骨架直接复用。如果你在复现时卡在某个环节，或者遇到了上面表格里没列进来的怪问题，带着你的数据和报错信息来交流，我见过的坑大概率比你想的要多。