当独立变量（或特征）的数量超过样本（或观察值）的数量时，会遇到所谓的“p > n”问题。在此，"p"指的是特征数量，而"n"指的是观察或样本数量。这里的特征可以是基因型数据中的单核苷酸多态性(SNPs)等。
以下是“p > n”问题的几个关键点：
过拟合: 当特征数量超过样本数量时，模型更容易过拟合。这意味着它可能会在训练数据上表现得很好，但在新的、未知的数据上表现得很差。
计算上的挑战: 更多的特征意味着需要更多的计算资源和时间来估计参数。
稳定性问题: 在“p > n”的情况下，许多统计方法会遇到数值和稳定性问题。
解释性挑战: 当特征数量太多时，确定哪些特征对预测最为关键变得更为困难。
在基因组选择的背景下，考虑到有成千上万的SNPs（这些SNPs是基因型数据中的独立变量或特征），而可用的样本数量（如某一种植物的不同品种或动物的不同品种）可能相对较少，这个问题变得尤为明显。
为了解决这个问题，研究者采用了各种策略和方法，例如特征选择、正则化方法（如L1和L2正则化）以及维度降低技术。这些方法旨在减少考虑的特征数量或对模型增加一些约束，以减少过拟合的风险和提高模型的泛化能力。