一套房子可以同时有面积、房龄、位置等许多变量。变量一多，图画不出来，分类规律也容易被淹没。Carolina Bento 的这篇教程用带类别标签的房产数据演示 Linear Discriminant Analysis（LDA，线性判别分析）：把多项特征压成少数综合坐标，同时让不同类别尽量分开、同类样本尽量聚拢。
关键在于，LDA 不只是“少看几个变量”。它会利用已知标签，寻找类别间差异大、类别内差异小的投影方向。这里很容易和 PCA（主成分分析）混淆：PCA 不看标签，只保留整体变化最大的方向；LDA 追求的则是更清楚的分类边界。因此，变化最大不等于最适合分类。若数据只有 K 类，经典 LDA 最多得到 K−1 条有效判别轴；二分类房产数据无论原始变量多少，主要判别方向都只有一条。
这篇文章的价值是把抽象方法放进真实分类场景，也提醒读者 LDA 假设数据近似线性可分、各类服从正态分布并共享协方差矩阵。供稿未披露房产数据的具体字段、类别设置或效果数字，因此它更适合作为操作思路的入门演示，而非性能结论。