1. 课程导入与评估框架

在经典机器学习中，特征选择与降维早已是成熟环节：前者从原始特征中挑出判别力强的子集，后者把高维数据压缩到低维表示。当数据规模、特征维度或优化难度超出经典方法的舒适区时，量子计算提供了一条新的技术路径——用量子态编码数据、用量子线路实现搜索或优化、用量子测量提取结果。但“用量子做”并不自动等于“做得更好”。本课程的核心任务，就是建立一套可操作、可比较、可复现的评估框架，回答一个非常具体的问题：某个量子特征选择或降维方法，在给定任务与资源约束下，究竟值不值得用、在哪些维度上占优、代价是什么。

需要先明确本课程讨论的对象边界。量子特征选择指借助量子线路、量子搜索（如 Grover 类振幅放大）、量子优化（如 QAOA、VQE）或量子采样，从候选特征子集中筛选出高价值子集；量子降维指通过量子态制备、量子主成分分析（qPCA）、量子自编码器或量子核方法，把高维输入映射到低维表示。两类方法的共同点是：最终都要落到一个可被经典流程消费的输出上——特征子集、投影矩阵、低维嵌入或分类器参数。因此评估不能只看量子线路本身，而要看“量子模块 + 经典前后处理”构成的完整链路。

三个核心评估维度

我们把评估拆成三个互相牵制的维度，它们构成本课程后续所有实验与案例的分析骨架。

保真度回答“结果对不对、好不好”。对特征选择，常用指标是所选子集在验证集上的分类准确率、F1、AUC，以及相对全特征基线或经典选择器的增益；对降维，常用重构误差、下游任务精度、类间可分性（如 Fisher 判别比）以及子空间相似度（如投影矩阵的主角度）。保真度评估必须固定数据划分与随机种子，并同时报告基线，否则量子方法的“提升”可能只是评估噪声。

效率回答“代价多大”。这里要区分三类时间：量子线路的深度与门数（决定在真实硬件上的相干时间内能否跑完）、采样次数（shots）与经典优化迭代次数（决定总调用量）、以及端到端墙钟时间（含数据编码、线路编译、排队与后处理）。只报“量子部分理论复杂度”是不够的，因为数据装载（如振幅编码）往往才是瓶颈。效率评估建议同时记录逻辑量子比特数、双比特门数、shots 和经典优化轮数，形成可比较的代价画像。

可扩展性回答“变大之后还成不成立”。关注三个随规模变化的量：所需量子比特随特征数 n 的增长关系、线路深度随 n 的增长关系、以及保真度随 n 或噪声水平上升的衰减曲线。一个在小规模模拟器上表现良好的方法，若深度随 n 线性甚至超线性增长，在含噪硬件上很可能在中等规模就失效。可扩展性评估应至少在 2～3 个规模点上做趋势判断，而不是单点结论。

为什么必须三维联合裁决

三个维度之间存在真实的张力，单独看任何一个都会得出误导性结论。一个量子特征选择方法可能在 12 个特征的小数据集上把准确率从 0.86 提到 0.89，但线路深度达到 40 层、需要 8192 shots 才能稳定估计，端到端时间是经典递归特征消除的数十倍——保真度略优、效率明显劣、可扩展性存疑，结论应是“有条件采用”而非“更优”。反过来，某降维方法在模拟器上重构误差很低，但所需量子比特数随特征数线性增长且深度超线性增长，一旦规模翻倍就超出当前硬件的相干时间，那么它的“好结果”只在小规模成立，必须标注适用边界。

因此本课程统一采用“三维打分 + 瓶颈标注”的裁决方式：先分别给出保真度、效率、可扩展性的量化结果，再明确指出哪一维是主要瓶颈，最后给出采用建议。这样即使不同方法在不同维度上互有胜负，读者也能清楚知道取舍依据，而不是被单一指标牵着走。

课程路线图

后续内容按“先建标尺、再看方法、最后做裁决”的顺序展开。第一部分夯实评估基础：明确数据编码方式对保真度的影响、建立经典基线（方差阈值、互信息、递归特征消除、PCA、t-SNE 等）的参照结果、约定效率与可扩展性的记录口径。第二部分逐一剖析代表性方法：基于 Grover 振幅放大的特征子集搜索、基于 QAOA/VQE 的组合特征选择、量子主成分分析与量子自编码器降维、量子核方法在特征映射中的作用，每种方法都按“原理—实现要点—评估关注点”讲清。第三部分进入综合实践：在统一数据集与统一预算下横向对比，绘制保真度—代价—规模的三维画像，形成可复用的评估报告模板与决策表。

把这三个维度和这条路线图记在心里，后面每遇到一种新方法，你都可以用同一组问题去审视它：它在保真度上相对基线赢在哪里，它为此付出了多少量子与经典代价，当特征数或噪声上升时它还站得住吗。能稳定回答这三个问题，量子特征选择与降维方法评估就真正落地了。