在对WBCD数据集进行特征提取（PCA和LDA）后，再进行逻辑回归，我发现敏感性有所提高，但准确率有所不同。我一直在寻找相关文献，试图解释或研究特征提取如何提高分类器的敏感性，但未能找到相关内容。

回答：

特征提取可以降低数据的维度。这通常是为了创建一个更小的系统（减少计算开销）和/或减少噪声（获得更清晰的信号）。

《统计学习导论》一书（可在此处下载）在无监督学习部分（第373页）提供了简洁的介绍，我想这正是你所寻找的。

以PCA为例，来自《统计学习导论》:

当面对大量相关的变量时，主成分分析允许我们用更少的代表性变量来总结这一组变量，这些变量共同解释了原始数据集中的大部分变异性。主成分方向在第6.3.1节中被描述为特征空间中的方向，沿着这些方向，原始数据具有高度的变异性。这些方向还定义了尽可能靠近数据云的线和子空间。为了进行主成分回归，我们只需在回归模型中使用主成分作为预测变量，代替原始的较大变量集。

主成分分析（PCA）指的是计算主成分的过程，以及随后使用这些成分来理解数据的过程。PCA是一种无监督方法，因为它仅涉及一组特征X1, X2,…,Xp，而没有相关的响应变量Y。除了在有监督学习问题中产生派生变量外，PCA还用作数据可视化的工具（观察的可视化或变量的可视化）。我们现在更详细地讨论PCA，重点在于将PCA作为无监督数据探索的工具，这与本章的主题一致。

我的首选资源是《统计学习的要素》（可在此处免费获取）。从第534页开始，有关于PCA的详细讨论，并将其应用于手写识别，使问题更易处理。