PCA适合线性可分、近似高斯分布且量纲接近的数据；需先标准化，不适用于含离群点、非线性结构或混合类型特征的场景，可视化应设n_components=2/3并正确切片坐标。
PCA 适合什么场景？不是所有降维都该用它
PCA 只对线性可分、近似高斯分布、各维度量纲接近的数据效果稳定。如果你的数据里有大量离群点、明显非线性结构（比如螺旋、环状簇），或者特征混合了类别型和数值型（没做独热编码），PCA 会强行拉直结构，可视化结果容易误导判断。
常见错误现象：plot 出来的二维散点图里，已知类别严重重叠，但你知道它们本该可分——大概率是原始特征没标准化，或数据本身就不适合线性降维。
- 必须先用
StandardScaler对特征做零均值、单位方差处理；不标准化的PCA会被量纲大的特征主导 - 如果原始特征含二值变量（如
is_male）或稀疏计数（如word_count），优先考虑TruncatedSVD或先做MaxAbsScaler - 想保留局部邻域关系？直接跳过
PCA，改用t-SNE或UMAP（但注意它们不提供transform方法，新样本无法实时投影）
怎么用 PCA 做可视化？关键就三步，少一步就出错
目标很明确：把高维数据压到 2D 或 3D，画散点图。别碰 fit_transform 两次，也别漏掉 plt.scatter 的坐标参数顺序。
实操建议：
- 先调
StandardScaler().fit_transform(X)，再传给PCA(n_components=2).fit_transform()；不要把原始X直接喂给PCA -
PCA的n_components设为2或3即可，设成0.95这类浮点数是为保留方差，不是为可视化 - 画图时用
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y)，注意是[:, 0]和[:, 1]，不是[0, :]——这是数组切片最常写反的地方
为什么降维后分类性能反而下降？PCA 不是万能压缩器
PCA 最大化的是投影后的方差，不是类别判别能力。它可能把最有区分度的方向当“噪声”扔掉。
典型表现：训练集上 LogisticRegression 在原始 100 维准确率 92%，降到 10 维后只剩 78%——不是模型问题，是 PCA 把关键判别方向压扁了。
- 检查
pca.explained_variance_ratio_：前两维加起来不到 0.3？说明数据本质难用线性方式压缩，可视化勉强可用，但别指望拿它做下游建模 - 如果下游任务是分类，试试
LinearDiscriminantAnalysis（LDA），它专为最大化类间距离设计，但要求标签已知且类别数 ≥ 2 - 需要可逆压缩（比如后续还要还原）？
PCA支持inverse_transform，但误差随n_components减少快速上升；别用它做无损特征存储
可视化时要不要用 inverse_transform 还原数据？基本不用
你只是想看结构，不是重建原始特征。调 pca.inverse_transform(X_pca) 得到的是近似原始数据的低秩重构，对理解分布毫无帮助，还可能因数值不稳定报 LinAlgError。
真正要注意的是：别在降维后做聚类再反推原始空间中心——KMeans 在 PCA 空间跑完，cluster_centers_ 是二维坐标，不能直接 inverse_transform 回去当原始特征中心用，意义已丢失。
容易被忽略的一点：PCA 的 components_ 是 (n_components, n_features) 形状，如果想看第一主成分“看重”哪些原始特征，得取 pca.components_[0]，然后按绝对值排序——这才是解释性的起点。
