直接用linearregression会失效是因为特征强相关导致设计矩阵x.t@x接近奇异，逆运算不稳定；pca需中心化且须保存均值和成分，推荐用pipeline封装并选累计方差比≥0.95的主成分。
为什么直接用 LinearRegression 会失效？
当特征之间存在强相关性（比如 X[:, 0] 和 X[:, 1] 相关系数 > 0.95），LinearRegression 的系数估计会剧烈震荡，coef_ 可能正负交替、数值极大，甚至出现 LinAlgError: Singular matrix。这不是模型“学不会”，而是设计矩阵 X.T @ X 接近奇异，逆运算不稳定。
用 PCA + LinearRegression 手动组合的坑
常见错误是先对原始 X 做 PCA.fit_transform(X)，再用结果训练回归模型，却忘了：PCA 默认不中心化新样本，预测时若未对新 X_test 手动减去训练集均值并投影，预测结果完全错误。
- 必须保存
pca.mean_和pca.components_，不能只存变换后数据 -
PCA(n_components=0.95)比固定数量更稳妥，避免保留过多噪声主成分 - 别在 PCA 前做标准化——
StandardScaler已隐含在PCA中（除非你手动设copy=False, whiten=False）
推荐用 Pipeline 封装，避免数据泄漏和预处理错位
主成分回归本质是两步：中心化 → PCA 投影 → 线性拟合。用 Pipeline 能确保 fit 和 predict 流程一致，且 cross_val_score 也能正确评估。
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
<h1>注意：StandardScaler 不是必须的，因为 PCA 内部已中心化；但显式加上更清晰</h1><p>pipe = Pipeline([
('scaler', StandardScaler()),
('pca', PCA(n_components=0.85)),
('lr', LinearRegression())
])
pipe.fit(X_train, y_train)
y_pred = pipe.predict(X_test)
</p>
如果特征量级差异极大（如有的列是年龄，有的是收入），StandardScaler 仍建议保留；否则 PCA 会受量纲主导。
PCA 维度选多少才够？看累计方差比，不是拍脑袋
选太少（如 n_components=2）可能丢掉关键信息；选太多（如 n_components=50）又没解决共线性。真正该盯的是 pca.explained_variance_ratio_.cumsum()：
pca = PCA().fit(X_train) print(pca.explained_variance_ratio_.cumsum()[:10]) # 输出类似：[0.42 0.67 0.79 0.86 0.91 0.94 0.96 0.97 0.98 0.99]
从输出可见，取前 6 个主成分就能解释 94% 方差，足够平衡降维与信息保留。硬设 n_components=0.95 是更省心的选择。
实际中，高度相关特征常导致前几个主成分承载绝大多数方差——这也是 PCA 有效的根本原因。但别忽略：主成分回归牺牲了可解释性，coef_ 对应的是主成分而非原始变量，想归因得回溯 pca.components_ 和原始特征权重。
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！
