PCA 降維後接 SVM，對這個作法哪個描述最合理？

中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。

以下用程式碼呈現 PCA + SVM 的標準流程：

from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

# 建立 PCA + SVM 的 Pipeline
pipeline = Pipeline([
    ("scaler", StandardScaler()),      # 先標準化（PCA 前必做）
    ("pca", PCA(n_components=100)),    # 從 1024 維降到 100 維
    ("svm", SVC(kernel="rbf", C=1.0)) # RBF 核 SVM 分類器
])

# 訓練
pipeline.fit(X_train, y_train)

# 評估
print(pipeline.score(X_test, y_test))

Step 1　純故事版

1. 先標準化：讓各維度的數值範圍一致，PCA 才不會被值域大的維度主導
2. PCA 降維：找出資料中變異量最大的 100 個方向，把 1024 維壓成 100 維
3. SVM 分類：在 100 維空間裡找最優超平面，分類影像

Step 2　中文 ↔ 程式碼對照

Step 3　符號角色表

• n_components=100：保留 100 個主成分（Principal Components）。主成分是資料中變異量從大到小排列的正交方向。
• kernel="rbf"：RBF（Radial Basis Function）核，讓 SVM 能在降維後的空間做非線性分類。注意：非線性能力來自 SVM 的核函數，不是 PCA。
• C=1.0：正則化參數，控制 SVM 對訓練錯誤的容忍度。C 越大越容易過擬合，C 越小越正則化。
• StandardScaler：標準化工具，確保每個特徵均值為 0、標準差為 1。PCA 對量綱敏感，做 PCA 前必須先標準化。

Step 4　完整公式對應

PCA 的核心是特徵值分解（Eigenvalue Decomposition）。把資料矩陣 X 做共變異數矩陣 C = X^T X / (n-1)，取前 k 個特徵向量（對應最大的 k 個特徵值），就是 k 個主成分方向。降維就是把原始資料投影到這 k 個方向上。

# 查看每個主成分解釋了多少變異量
import numpy as np
pca_fitted = pipeline.named_steps["pca"]
explained = pca_fitted.explained_variance_ratio_
print(f"前 100 個主成分解釋了 {np.sum(explained)*100:.1f}% 的總變異量")
# 例如：前 100 個主成分解釋了 92.3% 的總變異量

Step 5　自我複述

蓋住程式碼，說出 PCA + SVM 流程的三步驟：

1. 標準化：讓各維度尺度一致
2. PCA：找最重要的 100 個方向，壓縮維度
3. SVM：在 100 維空間裡訓練分類器

再說出 PCA 的兩個效益：更快（維度小）、更不容易過擬合（去掉雜訊）。