PCA 与降维：几何直觉、SVD、选维度及工程实践 | 自在学

降维：从 PCA 几何直觉到可靠的工程流程

降维最容易被一句话说得太轻巧：把很多特征压成少数几个特征，同时尽量保留信息。真正动手时，问题全藏在“信息”两个字里。做图的人想保留邻近关系，做压缩的人关心重建误差，做分类的人只在意对标签有用的信号。它们不是同一个目标。

这一章以主成分分析（Principal Component Analysis，PCA）为主线。我们会从中心化后的数据矩阵出发，分别推导“投影方差最大”和“线性重建误差最小”两个视角，再把协方差矩阵的特征分解与 SVD 对齐。之后才进入工程问题：尺度怎么定、主成分数量怎么选、白化何时会放大噪声、怎样避免数据泄漏，以及高维、稀疏和流式数据该换什么实现。

PCA 的历史也能提示它的边界。Pearson 在 1901 年讨论的是点云的最佳拟合直线和平面，Hotelling 在 1933 年把统计变量写成按方差排序的主成分。它从一开始解决的就是线性子空间逼近，没有使用标签，也没有承诺找出因果因素或天然类别。

本章统一把数据写成 $X\in\mathbb{R}^{m\times d}$ ：每一行是一个样本，每一列是一个原始特征。目标维数为 $k$ ，且 $1\le k<\min(m,d)$ 。若你的库采用“样本在列”的约定，矩阵方向会相反，但几何结论不变。

先说清楚为什么降维

高维本身不一定是故障。一个包含一万个词项的稀疏文本向量，可能比十个含义模糊的手工特征更适合线性分类器。真正促使我们降维的，通常是下面几类具体成本：

目标	希望保留什么	如何验收	PCA 是否天然匹配
压缩与传输	能用较少数值近似还原原数据	重建误差、文件大小、视觉质量	匹配线性平方误差
二维或三维展示	与分析问题相关的结构	多视角一致性、领域核对、投影质量	只保证保留最大方差
去噪	稳定信号所在的低维子空间	独立干净样本或下游指标	需额外假设小方差方向主要是噪声
加速模型	对预测有用的表示	验证集指标、训练时间、内存	不使用标签，未必保留预测信号
缓解冗余	多列之间的共同变化	稳定性、重建与解释	适合线性相关结构

降维用于压缩、可视化、去噪和下游建模的目标罗盘

先明确降维要服务什么目标，才知道该保留哪类结构。

这里有三个常见误会。

第一，压缩成功不等于预测更准。假设标签只由一个总体方差很小的传感器偏移决定，PCA 可能最先丢掉的正是这个信号。PCA 优化的是 $X$ 的变化，不是 $y$ 的可预测性。

第二，二维图更清楚不等于原空间真的有几个簇。任何从高维到二维的投影都会丢失关系；非线性可视化还可能为了保留局部邻居而主动改变全局距离。

第三，去掉小方差方向不等于去掉噪声。只有在“信号集中于某个低秩子空间，噪声较弱且较均匀”这类假设近似成立时，截断主成分才像一个去噪器。

还要分清特征选择与特征提取。特征选择保留原列中的一部分，例如保留“年龄”和“收入”；PCA 生成的是原列的线性组合，例如 $0.4\times$ 年龄加 $0.7\times$ 收入。前者通常更容易解释，后者更擅长把相关方向合并。

关于使用 PCA 的动机，下列哪些判断正确？

中心化和尺度选择先定义了几何

PCA 寻找的是“数据相对中心怎样变化”。先计算每个特征的训练集均值：

\mu_j= \frac{1}{m} \sum_{i=1}^{m}x_j^{(i)}

再得到中心化矩阵：

X_c=X-\mathbf{1}\mu^\mathsf{T}

若不中心化，原点到数据整体位置的偏移也会被当成主要变化方向。举个极端例子：所有二维点都紧挨着直线 $y=x$ ，但整团点位于 $(1000,1000)$ 附近。直接对原矩阵分解，最大方向会同时受“离原点很远”和“点云沿哪条轴伸展”影响；中心化后才只看点云自身的形状。

是否标准化取决于单位和问题

中心化几乎是协方差 PCA 的必要步骤，标准化却是建模选择。若各列量纲不同，常把训练集中的每列除以标准差：

\widetilde{x}_j^{(i)} = \frac{x_j^{(i)}-\mu_j}{s_j}

对 $X_c$ 做 PCA 等价于研究协方差结构；对标准化后的矩阵做 PCA 等价于研究相关结构。两者回答的问题不同。

假设数据含“年收入（元）”与“满意度（1 到 5 分）”。未经缩放时，收入的数值波动很可能主导主成分。如果我们认为一元收入差异与一分满意度差异没有直接可比性，标准化是合理起点。反过来，若 12 个传感器使用相同单位并经过统一校准，真实振幅就是分析对象，强行把每列变成单位方差会抹掉有意义的能量差异。

中心化与标准化如何改变数据点云的原点、尺度和几何方向

中心化定义参考原点，缩放决定哪些特征方向能主导方差。

缺失值、常量列和离群点不能交给 PCA 猜

PCA 的常规实现不能直接解释缺失值。插补器也必须只在训练折中拟合。
标准差为 0 的常量列没有方向信息，应删除或明确保留为零，而不是直接除以 0。
类别编号不是连续距离。把城市编码为 1、2、3 后做 PCA，会凭空制造“城市 3 比城市 1 远两格”的几何。
经典 PCA 使用平方误差，极端点能显著旋转主轴。先核对离群点是录入错误、任务外样本还是真实稀有模式，再决定变换、稳健方法或保留。

不要在全量数据上先求均值、标准差或插补值，再切训练集和测试集。这些量也是从数据学到的参数。正确顺序是先划分，再只用训练部分拟合全部预处理步骤。

身高以厘米记录、体重以千克记录，研究目标是让两列的相对波动拥有可比较的起点。最合理的 PCA 前处理是什么？

最大方差视角找到点云最伸展的方向

先看一个主成分。取单位向量 $w\in\mathbb{R}^d$ ，满足 $w^\mathsf{T}w=1$ 。每个中心化样本投影到这条轴后的坐标是：

t^{(i)}= (x_c^{(i)})^\mathsf{T}w

整批样本的投影得分写成 $t=X_cw$ 。由于 $X_c$ 已经中心化，投影均值也是 0。若样本协方差矩阵为：

S= \frac{1}{m-1} X_c^\mathsf{T}X_c

投影后的样本方差就是：

\operatorname{Var}(t) = \frac{1}{m-1} \lVert X_cw\rVert_2^2 = w^\mathsf{T}Sw

第一主方向要解的问题是：

\underset{w}{\operatorname{maximize}} \quad w^\mathsf{T}Sw \qquad \text{subject to } w^\mathsf{T}w=1

单位长度约束不能省。否则把 $w$ 放大十倍，投影方差就能放大一百倍，目标没有上界。

拉格朗日乘子把方向连到特征向量

构造：

\mathcal{L}(w,\lambda) = w^\mathsf{T}Sw -\lambda(w^\mathsf{T}w-1)

对 $w$ 求梯度并令其为 0：

2Sw-2\lambda w=0

于是：

Sw=\lambda w

候选方向是 $S$ 的特征向量，而该方向上的投影方差就是对应特征值 $\lambda$ 。选择最大特征值的单位特征向量，得到第一主方向。

第二主方向既要让投影方差尽量大，又要与第一方向正交。继续这个过程，得到一组单位正交方向 $w_1,w_2,\ldots,w_k$ ，对应特征值满足：

\lambda_1\ge\lambda_2\ge\cdots\ge\lambda_k

这不是说现实世界的因素天然互相正交，而是 PCA 为了建立无重复的线性坐标系而施加的几何约束。

PCA 在中心化点云中寻找投影方差最大的单位方向

第一主成分是点云最伸展的方向，不等于最能区分类别的方向。

在中心化数据上寻找第一主方向时，为什么要约束 $w^\mathsf{T}w=1$？

最小重建误差视角解释“压缩后还能还原多少”

令 $W_k=[w_1,\ldots,w_k]\in\mathbb{R}^{d\times k}$ ，其列向量正交归一：

W_k^\mathsf{T}W_k=I_k

中心化样本在低维空间中的坐标为：

Z=X_cW_k

从低维坐标投回原特征空间：

\widehat{X}_c = ZW_k^\mathsf{T} = X_cW_kW_k^\mathsf{T}

$W_kW_k^\mathsf{T}$ 是原空间里到这个 $k$ 维子空间的正交投影矩阵。加回均值后，重建数据为：

\widehat{X} = \widehat{X}_c+\mathbf{1}\mu^\mathsf{T}

PCA 选出的 $W_k$ 也会让下面的平方重建误差最小：

\underset{W_k^\mathsf{T}W_k=I_k} {\operatorname{minimize}} \quad \left\lVert X_c-X_cW_kW_k^\mathsf{T} \right\rVert_F^2

为什么两个目标等价

对每个中心化样本，投影向量与残差正交。勾股关系给出：

\lVert x_c\rVert_2^2 = \lVert W_kW_k^\mathsf{T}x_c\rVert_2^2 + \lVert x_c-W_kW_k^\mathsf{T}x_c\rVert_2^2

左边的总能量对给定数据是常数。让投影部分尽量大，就等于让残差部分尽量小。把所有样本相加，“最大化保留方差”与“最小化正交重建误差”得到同一个主子空间。

中心化数据上最大投影方差与最小重建误差的等价关系

保留的能量越多，落在被舍弃正交方向上的重建误差就越小。

这项最优性有清楚范围：在线性、正交、平方误差的 rank- $k$ 近似中，截断 SVD 最优。换成绝对误差、感知相似度、非线性曲面或带业务权重的损失，最优解都可能改变。

某中心化矩阵的奇异值为 5、3、1。保留前两个方向时，最小平方 Frobenius 重建误差为 ____。

协方差特征分解与 SVD 是同一结构的两条计算路径

对中心化矩阵做薄 SVD：

X_c=U\Sigma V^\mathsf{T}

设 $r=\operatorname{rank}(X_c)$ ，则 $U\in\mathbb{R}^{m\times r}$ 、 $Σ \in R^{}$ 、。奇异值按排列。

把它代入协方差矩阵：

S = \frac{1}{m-1} X_c^\mathsf{T}X_c = V \frac{\Sigma^2}{m-1} V^\mathsf{T}

于是三组量一一对应：

PCA 概念	SVD 中的位置	形状
主方向 / 主轴	$V$ 的列，或代码里的 $V^\mathsf{T}$ 的行	$d$ 维方向
主成分得分	$U\Sigma=X_cV$

因此，直接对 $X_c$ 做 SVD 不需要先显式构造 $d\times d$ 协方差矩阵。若 $d$ 很大，构造协方差矩阵会占用 $O(d^2)$ 内存；而且从求特征值会平方奇异值的条件数，对跨越很多数量级的数据更不稳定。

协方差特征分解与对中心化数据矩阵直接做 SVD 的两条 PCA 路径

两条路径揭示同一结构；实际求解通常优先避免显式构造巨大协方差矩阵。

一个最小 NumPy 对照如下：

python

import numpy as np
 
X = np.asarray(X, dtype=float)
X_centered = X - X.mean(axis=0, keepdims=True)
 
U, singular_values, Vt = np.

旧稿中常见一句错误是“NumPy SVD 返回的奇异值是协方差特征值的平方根”。更准确地说，NumPy 对 $X_c$ 返回奇异值 $\sigma_j$ ；协方差矩阵的特征值是 $\sigma_j^2/(m-1)$ 。分母取决于协方差使用的自由度约定，不能漏掉。

对中心化矩阵 $X_c=U\Sigma V^\mathsf{T}$，下列哪些关系正确？

主方向、得分和载荷要分开解释

PCA 的术语在不同教材和软件中略有差异，最稳妥的办法是先看对象和形状。

主方向或主轴： $w_j\in\mathbb{R}^d$ ，说明低维坐标轴在原特征空间朝哪里。
得分： $z_j=X_cw_j\in\mathbb{R}^m$ ，说明每个样本沿第条主轴的位置。

例如，标准化后的“阅读时长、文章数、收藏数”在第一主方向上的系数都较大且同号，我们可以说这个方向概括了三项指标的共同变化。不能直接把它命名为“学习能力”，因为这层语义需要外部证据；也不能把系数绝对值当成监督模型里的特征重要性，因为 PCA 根本没有看到标签。

PCA 主方向、样本得分与特征载荷的对应关系

主方向描述新坐标轴，得分定位样本，载荷解释原特征怎样参与。

正负号没有固定身份

若 $w$ 是特征向量， $-w$ 也是同一特征值的特征向量。把方向翻转后，得分也随之翻转：

X_c(-w)=-(X_cw)

投影子空间、重建结果和解释方差完全不变。因此两次运行得到相反符号，不代表模型变了。若报告需要固定展示方向，可以按“绝对值最大的系数取正”之类规则统一符号，但要把它当作展示约定。

特征值相同或非常接近时，单根轴也不唯一

如果 $\lambda_1=\lambda_2$ ，对应二维子空间里的任何正交旋转都同样最优。特征值接近时，轻微数据扰动也可能让两根轴旋转或交换顺序。此时逐列比较 $w_1$ 和 $w_2$ 会显得很不稳定，但它们共同张成的子空间可能很稳定。

工程上可以比较投影矩阵 $W_kW_k^\mathsf{T}$ 、主角度或重建结果，而不是强求每个分量逐元素相同。载荷解释也应报告这种不确定性。

同一批数据的两次 PCA 结果中，第一主方向及其得分都恰好整体变号，因此两次得到的投影子空间和重建一定不同。

选择 k 要把方差、误差和最终用途放在一起

第 $j$ 个主成分的解释方差比例为：

\rho_j= \frac{\lambda_j} {\sum_{\ell=1}^{r}\lambda_\ell}

前 $k$ 个主成分的累计解释方差比例为：

R_k= \frac{\sum_{j=1}^{k}\lambda_j} {\sum_{\ell=1}^{r}\lambda_\ell}

在中心化数据上，丢弃部分的平方重建误差与被丢弃方差直接对应：

\left\lVert X_c-\widehat{X}_c\right\rVert_F^2 = (m-1) \sum_{j=k+1}^{r}\lambda_j = \sum_{j=k+1}^{r}\sigma_j^2

这让累计解释方差成为压缩任务的自然刻度，但“保留 95%”只是一个候选规则，不是统计定律。90%、95% 或 99% 对应不同成本；如果特征先标准化，比例描述的是标准化空间里的变化，不能直接当成原单位的误差。

累计解释方差、重建误差、下游验证与用途联合选择主成分数 k

k 是压缩、误差和最终用途之间的权衡，95% 不是普适答案。

三种常用证据回答不同问题

碎石图和累计方差图：查看特征值下降、是否存在清楚的拐点，以及增加一个分量还能减少多少重建误差。真实曲线常常没有明显肘部，不要强行读出一个整数。
压缩预算：图像、传感器或通信任务可以先规定可接受误差、时延或字节数，再选满足约束的最小 $k$ 。
下游交叉验证：若 PCA 服务于分类或回归，把 $k$ 放进 Pipeline 的参数搜索，只在训练折中重新拟合 PCA，用验证指标和资源成本一起决定。

还应检查结果在重采样和时间窗口变化下是否稳定。若相邻的 $k=12$ 与 $k=13$ 性能几乎相同，通常没有必要假装 13 是唯一正确答案。可以选择成本更低、稳定性更好的方案，并记录可接受区间。

下面这个写法适合探索方差曲线，不应用测试集决定 $k$ ：

python

import numpy as np
from sklearn.decomposition import PCA
 
pca_full = PCA(svd_solver="full")
pca_full.fit(X_train_prepared)
 
cumulative = np.cumsum(pca_full.explained_variance_ratio_)
k_95 = int(np.

PCA 用于分类前处理，累计解释方差在 k=20 时达到 95%。下一步最合理的做法是什么？

投影、重建和白化是三个不同操作

拟合好的 PCA 模型至少要保存均值 $\mu$ 和主方向 $W_k$ 。若训练前还做了标准化，也要保存尺度 $s$ 。新样本 $x$ 的投影是：

z= W_k^\mathsf{T}(x-\mu)

用列向量约定写回原空间：

\widehat{x} = W_kz+\mu

若 PCA 在标准化空间中拟合，重建后还要乘回训练尺度，再加训练均值。这里的“重建”是正交投影的近似，不是把丢掉的信息找回来。两个不同样本可能映射到同一个 $z$ ，因为它们只在被丢弃方向上不同。

重建误差要回到任务单位

在标准化空间里，温度误差 1 个标准差和压力误差 1 个标准差权重相同；回到原单位后，二者的业务代价可能完全不同。压缩项目除了报告标准化空间的均方误差，还应报告原单位逐特征误差、极端样本误差，以及真正关心的感知或业务指标。

截断 PCA 有时能去噪，是因为重建只保留前 $k$ 个方向。但如果缺陷信号恰好出现在小方差方向，重建会把缺陷抹掉。这在异常检测和质量控制里尤其危险。

白化会进一步改变每条轴的尺度

普通 PCA 的各主成分互不相关，但方差仍分别是 $\lambda_1,\ldots,\lambda_k$ 。白化把第 $j$ 个得分除以它的标准差：

z_{\text{white},j} = \frac{z_j}{\sqrt{\lambda_j}}

得到近似单位方差的分量。这样会去掉“第一主成分比第二主成分波动更大”的相对尺度信息。白化可能适合某些假设输入各方向同尺度的后续模型，却不是默认更好。

还有两个边界。白化只保证样本协方差意义下的不相关和单位方差，不保证统计独立；只有在高斯等额外条件下，不相关才能推出独立。其次，除以很小的 $\sqrt{\lambda_j}$ 会放大小方差方向中的噪声，所以通常先截断再白化，并用验证结果决定是否开启。

关于 PCA 重建与白化，下列哪些说法正确？

PCA 进入预测流程时必须和数据划分绑在一起

最隐蔽的错误不是公式写错，而是先在全量数据上拟合 PCA，再做交叉验证。虽然 PCA 没看标签，它仍看到了验证折的均值、协方差和主方向。验证数据参与了表示学习，分数会偏乐观。

正确顺序是：

先按照部署场景划分数据。独立同分布样本可随机划分；时间序列按时间切分；同一患者、用户或设备的记录要用分组切分，防止实体跨集合。

在每个训练折中依次拟合插补、缩放、PCA 和预测器。验证折只调用这些步骤的 transform 或 predict。

用训练折的交叉验证选择主成分数量、是否白化和预测器参数。不要根据测试集曲线回头调参。

参数确定后，在完整训练集上重拟合整条 Pipeline，再对保留测试集评估一次，并保存全部预处理参数。

scikit-learn 的 Pipeline 会让每个交叉验证折分别拟合变换器：

python

from sklearn.decomposition import PCA
from sklearn.impute import SimpleImputer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, StratifiedKFold
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
pipeline = Pipeline

候选 $k$ 必须小于每个训练折可用的样本数和特征数。若不同列需要不同处理，应在 Pipeline 中加入 ColumnTransformer，而不是先在全表外部编码。时间数据则应换用与时间顺序一致的交叉验证器。

先执行 pca.fit_transform(X)，再把结果交给 cross_val_score，仍然发生了泄漏。Pipeline 的价值不是代码更短，而是让每个验证折在表示学习阶段保持不可见。

哪种做法能避免交叉验证中的 PCA 泄漏？

高维、稀疏和流式数据需要选择合适求解器

“用 SVD 做 PCA”仍然有多种实现。选择前先看三个数字：样本数 $m$ 、特征数 $d$ 、目标维数 $k$ ，再看矩阵是否稀疏、是否能装进内存。

情形	可优先考虑	主要边界
中等规模稠密矩阵，需要精确结果	完整 SVD	计算全部方向， $k$ 很小时可能浪费
$m\gg d$ 且 $d$ 不大	协方差特征分解	需形成 $d\times d$ 矩阵，条件数更差
稠密大矩阵，只需较小 $k$	Randomized PCA	近似、有随机性，要固定种子并验误差
样本太多，不能一次装入内存	IncrementalPCA	分批近似，仍依赖特征维数和批大小
高维稀疏词频或 TF–IDF

按稠密、高维稀疏和流式数据选择 PCA、TruncatedSVD 与增量求解器

求解器选择取决于数据形态、内存和中心化可行性，不只看算法名字。

随机 SVD 先找近似子空间

随机化方法用少量随机向量探测矩阵的主要作用范围，再在压缩后的矩阵上求分解。当 $k$ 远小于 $\min(m,d)$ 且奇异值下降较快时，它常能显著节省时间。结果依赖随机种子、超采样数和幂迭代次数，应该比较解释方差、重建误差和重复运行稳定性，而不是只比较运行时间。

IncrementalPCA 按批更新均值和子空间

数据按批读取，可以避免同时保存全部样本：

python

import numpy as np
from sklearn.decomposition import IncrementalPCA
 
ipca = IncrementalPCA(n_components=40, batch_size=512)
 
for X_batch in stream_training_batches():
    ipca.partial_fit(np.asarray(X_batch, dtype=float

批次必须来自训练范围，预处理也要能以一致方式分批拟合。IncrementalPCA 是内存方案，不自动解决分布漂移；若后续月份的数据分布变化，应另做漂移监控和重训策略。

稀疏矩阵最怕中心化后变稠密

词袋矩阵中绝大多数值为 0。逐列减均值后，原来的 0 几乎都变成非零数，内存优势随即消失。TruncatedSVD 直接分解未中心化稀疏矩阵，在线性语义分析中很常见，但它的方向同时受整体均值影响，不能把结果无条件解释成中心化 PCA。

python

from sklearn.decomposition import TruncatedSVD
 
lsa = TruncatedSVD(
    n_components=100,
    algorithm="randomized",
    random_state=42,
)
X_text_low_dim = lsa.fit_transform(X_tfidf_train)
X_text_test_low_dim = lsa.transform(X_tfidf_test

关于大规模和稀疏数据的降维，下列哪些说法正确？

二维可视化是观察窗口，不是高维真相

把 $d$ 维样本投影到前两个主成分后，每个点的横纵坐标是：

(z_1,z_2) = \left( w_1^\mathsf{T}(x-\mu), w_2^\mathsf{T}(x-\mu) \right)

坐标轴可以标注“PC1（解释 37%）”“PC2（解释 18%）”，让读者知道这张图一共展示了多少变化。若两轴累计只解释 23%，它仍可能有探索价值，但不能假装覆盖了数据的大部分结构。

PCA 没有使用类别标签。正确做法是先只用特征拟合投影，再用标签、时间或批次给点着色，观察它们在同一投影中的分布。若先按标签挑特征、筛样本或调参数，图已经混入监督选择，需要在说明中讲清楚。

二维投影中的重叠或分离如何误导对高维结构的判断

二维图只是一个观察窗口；重叠不证明高维混合，分离也不自动等于天然类别。

投影会压短距离，也会让不同点重叠

对任意两个中心化样本 $a$ 和 $b$ ，正交投影满足：

\left\lVert W_k^\mathsf{T}(a-b) \right\rVert_2 \le \lVert a-b\rVert_2

所以二维图上很近的两点，在被省略方向上仍可能相距很远；重叠也不等于原空间不可分。相反，图上已经很远的点，在完整欧氏空间里的距离至少不小于这个投影距离，但这仍不能证明它们属于不同类别。

读图时逐项排除视觉错觉

图上现象	不能直接推出	应补充的检查
两团点明显分开	存在两个天然类别	原空间距离、稳定性、外部标签
某个点远离主体	它一定是异常	原始特征、测量质量、被省略分量
两类颜色重叠	分类必然失败	更多主成分、非线性边界、独立验证
PC1 载荷较大	该特征导致结果	尺度、相关性、领域机制
批次颜色沿 PC1 分开	批次校正一定成功	采样设计、混杂变量、校正后任务指标

展示时最好同时给出解释方差、载荷摘要和至少一个替代视角，例如 PC1–PC3、原始关键特征或重建误差。图形用于提出问题，结论仍应由原空间指标和独立数据支持。

两个样本在 PC1–PC2 图上几乎重合，因此它们在完整特征空间中也一定很接近。

图像压缩案例要区分“图像集合 PCA”和“单图 SVD”

图像常被用来展示 PCA，因为像素天然组成高维向量。一张 $28\times28$ 灰度图展平后有 784 个特征。若我们有许多同尺寸、已对齐的图像，可以把每张图作为一行，在训练图像集合上拟合 PCA。主方向重排成图像后常被称为“特征图像”，每张新图只需保存 $k$ 个得分，就能近似重建。

图像集合 PCA 与单张图像矩阵 SVD 的压缩对象和低秩重建方式对比 图像集合 PCA 学习跨样本共同方向；单图 SVD 压缩的是一张像素矩阵。

训练集有 $m$ 张图、每张 $d$ 个像素时，原始浮点矩阵需要存约 $md$ 个数。低秩表示需存均值 $d$ 、基矩阵 $kd$ 和训练得分 $mk$ ，总计约：

d+kd+mk

只有当 $k$ 足够小且样本足够多时，共享基的成本才会摊薄。实际文件大小还取决于量化精度、编码格式和元数据，不能用维数比直接宣称压缩率。

下面用手写数字数据演示训练集拟合、测试集重建。图像像素都在同一量纲，因此这里不额外标准化每个像素；逐像素标准化反而会放大几乎不变化的背景位置。

python

import numpy as np
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
 
digits = load_digits()
X_train, X_test = train_test_split(
    digits.data,
    test_size=0.25,

另一种常见演示是把一张灰度图当成高为 $h$ 、宽为 $w$ 的矩阵，做 rank- $k$ SVD：

A_k= \sum_{j=1}^{k} \sigma_ju_jv_j^\mathsf{T}

这与 PCA 的低秩近似数学相通，但样本与特征的定义不同：它利用的是一张图内部行列结构，不是在图像数据集上学习共享主成分。写报告时应把两种任务分开称呼。

压缩验收也不只看平均 MSE。细小文字、医学影像病灶或产品缺陷可能只占少数像素，平均误差很小却把关键结构抹平。应加入局部误差、下游识别指标或领域审核。

1000 张图像，每张 400 个像素；共享 PCA 基取 k=20。忽略均值和基矩阵的一次性成本后，每张新图的表示需要保存 ____ 个得分。

分类案例必须和不降维基线公平比较

PCA 用于分类时，我们真正想知道的不是“前 $k$ 个分量解释了多少方差”，而是它是否在可接受的精度下减少训练时间、推理延迟、内存或噪声敏感性。至少要比较两条使用相同划分、相同模型家族和相同调参预算的流程：

插补与缩放后直接分类；
同样预处理，再经 PCA 后分类。

一个很小的反例能说明原因。假设特征 $x_1$ 的方差是 100，但与标签无关； $x_2$ 的方差只有 0.01，却几乎决定标签。保留一个主成分时，PCA 很可能选择 $x_1$ ，分类信号随即消失。最大方差不是最大判别力。

下面的代码把 PCA 和分类器都放进训练集内部的参数搜索。为了避免把测试集当调参面板，两条流程先在训练集交叉验证，最后各自只评估一次测试集。

python

from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
digits = load_digits

公平比较还应记录拟合时间、峰值内存、变换耗时和模型大小。PCA 自己也有拟合与推理成本；若原模型已经能高效处理稀疏高维数据，先降维可能反而变慢或破坏稀疏性。

误差分析要回到样本。检查哪些类别在 PCA 后更容易混淆、错误是否集中在低对比度图像、不同 $k$ 的结论是否稳定。若降维只减少 5% 时间，却持续损失关键少数类召回率，就没有必要为了“流程更像机器学习”而保留它。

PCA 保留了 99% 的训练特征方差，但少数类召回率明显下降。最合理的解释与处理是什么？

特征选择和非线性方法各有清楚边界

当 PCA 的线性子空间假设不合适时，先问任务缺的是什么，再换工具。方法名字比目标次要。

方法	主要保留或优化	适合的需求	主要代价与误读
特征选择	原始列的子集，可使用标签	需要保留原字段、稀疏性或可解释规则	可能漏掉多列共同形成的方向；监督选择必须放入交叉验证
Kernel PCA	核特征空间中的主方向	样本量可控、已知合适核的非线性结构	核和参数敏感，核矩阵通常需 $O(m^2)$ 存储
t-SNE	高维邻域相似性在低维中的匹配	二维或三维探索性可视化	非凸、对参数和初始化敏感；簇间距离与面积不宜作全局解释
UMAP	基于近邻图的低维嵌入	较大数据的探索性可视化、希望复用拟合映射	邻居数和距离度量影响图形；仍会扭曲结构且有随机性
自编码器	编码器与解码器共同优化的重建损失	数据充足、关系明显非线性、需学习可部署编码器	训练和调参成本高，易过拟合；重建目标也不等于预测目标

Kernel PCA 不是给 PCA 加一个万能开关

Kernel PCA 通过核函数隐式把样本映射到高维特征空间，再做中心化特征分解。RBF 核能展开某些弯曲结构，但核宽度改变“谁与谁相似”，结果缺乏合适尺度时会完全不同。它的逆变换通常只是额外拟合的近似，不像线性 PCA 那样天然拥有正交重建公式。

t-SNE 和 UMAP 首先是可视化工具

t-SNE 把高维相似度与低维相似度写成概率分布并优化二者差异，目标非凸；同一数据在不同困惑度、初始化或种子下可形成不同布局。scikit-learn 的 t-SNE 没有通用的 transform 方法来稳定投影任意新样本，不应直接当线上特征管道。

UMAP 从近邻图构建低维表示，常比 t-SNE 更易扩展，并在常用实现中支持 transform。但支持新样本变换不等于二维欧氏距离成为真实业务距离。两种图都应跨参数和种子检查，并用原空间证据验证。

特征非常高时，可先用 PCA 或 TruncatedSVD 降到几十维，减少近邻搜索中的噪声与计算，再做 t-SNE 或 UMAP。这个预处理同样只能在允许的数据范围内拟合。

自编码器把线性子空间换成可学习的非线性映射

编码器 $f_\theta(x)$ 产生低维代码，解码器 $g_\phi(z)$ 尝试重建输入。足够复杂的网络能拟合弯曲结构，但也可能只记住训练样本。必须使用独立验证数据比较重建、下游任务和稳定性，并把网络大小、正则化和训练成本算进方案。

如果目标只是让几十个相关数值特征更紧凑，线性 PCA 往往是更透明的基线。只有当线性重建或投影明确失败，并且非线性方法的额外成本能换来可验证收益时，再升级复杂度。

下列方法选择中，哪些与任务边界相符？

从零实现和排错要围绕不变量

自己实现 PCA 的价值不是替代成熟线性代数库，而是把每一步的形状和不变量看清楚。下面这个版本只处理有限的稠密数值矩阵，支持可选标准化，并显式保存新数据变换所需参数。

python

from dataclasses import dataclass
import numpy as np
 
 
@dataclass
class PCAModel:
    mean: np.ndarray
    scale: np.ndarray
    components: np.ndarray
    explained_variance: np.ndarray
    explained_variance_ratio: np.ndarray

用不变量验收实现

设 model 是上面拟合的结果，Z 是训练集得分，可以检查：

python

model = fit_pca_svd(X_train, n_components=5, standardize=True)
Z = transform_pca(model, X_train)
X_hat = inverse_transform_pca(model, Z)
 
gram = model.components @ model.components.T  # 主方向应正交归一

按现象定位问题

现象	优先检查	常见原因
得分均值明显不为 0	中心化轴、是否复用训练均值	把每行而不是每列减均值，或对测试集重新求均值
重建形状不对	components 与转置位置	混淆 $(k,d)$ 和 $(d,k)$
解释方差比例总和大于 1	分母、自由度和数据版本	分子分母来自不同预处理矩阵
与库结果只差正负号	比较投影或重建	正常的特征向量符号不唯一
相邻主轴在重采样后旋转	查看特征值间隔	特征值接近，单轴身份不稳定
白化后数值爆炸	小特征值与数据类型	保留了接近零方差方向
交叉验证异常乐观	检查 fit 的范围	预处理或 PCA 在全量数据上拟合
稀疏矩阵内存骤增	是否显式中心化	减均值把大量 0 变成非零

可交付记录至少包含

样本范围、时间窗口、数据版本与划分方式；
特征定义、缺失值、异常值、中心化和缩放规则；
PCA 实现与软件版本、求解器、 $k$ 、白化和随机种子；
解释方差曲线、重建误差及选择 $k$ 的依据；
与无降维基线的指标、时间、内存和误差样本比较；
载荷解释中的符号约定与近似相等特征值；
新样本 transform、版本发布和分布漂移监控方式。

做到这里，降维结果才是一条可复查的变换，而不只是一张好看的散点图。我们知道它在哪个数据范围上拟合、保留了哪种信息、丢掉了什么，并能在新数据上原样复现。

验收一个 PCA 实现时，下列哪些检查有直接诊断价值？

r

\times

r

\Sigma\in\mathbb{R}^{r\times r}