不做标准化会导致pca主成分被高量纲特征主导，低量纲关键信号丢失，被迫增加主成分数量才能达到目标方差占比，反而增大维度和计算负担；fit_transform与transform混用会造成测试集信息泄露和投影空间不一致，导致模型失效；n_components应按累计方差贡献率（如0.95）自适应选取，而非固定整数。
直接用 PCA 降维能显著降低后续模型的训练和推理耗时，但前提是标准化、fit_transform/transform 分开、以及选对 n_components —— 这三步错一步，开销不降反升。
为什么不做标准化就调用 PCA 会拖慢计算？
PCA 依赖各特征的方差大小排序主成分。如果某列是「年龄（0–100）」，另一列是「收入（0–1e6）」，后者方差天然碾压前者，导致主成分几乎只由高量纲特征主导。模型看似跑了，实则丢掉了低量纲但关键的信号，被迫用更多主成分才能凑够解释率，反而增加维度和计算负担。
- 必须在
PCA前用StandardScaler或手动减均值除标准差 - 图像类数据（如 MNIST 的像素值 0–255）虽同量纲，仍建议标准化——因局部亮度差异可能掩盖结构信息
- 跳过标准化时，
PCA内部协方差矩阵计算会放大数值误差，尤其在 float32 下易触发 SVD 收敛失败
fit_transform 和 transform 混用会导致什么后果？
对测试集单独调用 pca.fit_transform(X_test)，等于让 PCA 在测试数据上重新找主成分方向。这不仅泄露标签信息（若测试集有偏态分布），更直接破坏训练/测试空间一致性：两个集合投影到不同坐标系，后续模型的输入分布完全错位，准确率崩塌，还得重训——这才是最大的运算浪费。
- 训练阶段：只对训练集调用
pca.fit_transform(X_train) - 测试/预测阶段：必须复用同一个
pca实例，仅调用pca.transform(X_test) - 部署时保存整个 pipeline：
joblib.dump(pipeline, "pca_model.pkl")，避免线上重复拟合
怎么选 n_components 才真正减少开销？
设成固定整数（如 n_components=50）很危险：50 维对 784 维图像可能是够的，但对 10 维金融指标就过度压缩。真正省算力的选法，是按方差累计贡献率截断，比如 n_components=0.95 表示保留 95% 方差所需的最小维数——它自动适配数据复杂度。
- 先跑一次
pca = PCA().fit(X_train)，再查pca.explained_variance_ratio_.cumsum() - 观察曲线拐点：若前 10 个成分已占 85%，第 11 个只加 0.8%，说明后面几十维基本是噪声，可安全舍弃
- 注意：
n_components设为小数时，fit阶段会多一次 SVD 全分解，略微增耗时，但换来的是稳定可控的维度压缩比
最容易被忽略的是：PCA 本身也有计算成本。对千万级样本+万维特征的数据，fit 阶段的协方差矩阵（O(d²) 空间）或 SVD（O(n d²) 时间）可能比后续模型还慢。这时该换 TruncatedSVD 或采样近似，而不是硬扛 PCA。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
