PCA 前為何要先標準化？交易金額主導主成分的問題
原題
某團隊在開發風險評估模型時，使用主成分分析（Principal Component Analysis, PCA）進行降維。輸入資料包含三個數值欄位：「交易金額（單位：新台幣）」、「交易次數（次／月）」與「年齡（歲）」，其數值量級分別約為 10^5、10^1 與 10^2。分析人員直接將原始數據帶入 PCA，結果第一主成分（PC1）幾乎完全由「交易金額」主導。下列哪一項作法或判斷最合理？
白話
一個團隊在做 PCA 降維時，把三個欄位直接丟進去：交易金額（約 10 萬元量級）、交易次數（約 10 次量級）、年齡（約 100 歲量級）。結果第一主成分幾乎只反映交易金額，其他兩個欄位的資訊被淹沒了。
問你：面對不同數值量級的特徵直接跑 PCA 導致主成分偏斜，最合理的解決方式是什麼？
先自己選一個答案，再看完整解析。
一句話總結
PCA 用共變異數矩陣找主成分，數值大的特徵必然主導方差，讓 PCA 偏向它。解決方法是：在進行 PCA 前先進行標準化（Standardization），讓每個特徵的平均值為 0、標準差為 1，消除尺度差異的影響。
情境
先感受問題：100,000 和 20 放在一起，誰會被 PCA「看見」
安泰金融的資料分析師書豪要建立客戶風險評估模型，特徵有三個：
交易金額：平均 100,000 元，標準差 50,000 元（量級 10^5）
交易次數：平均 15 次，標準差 8 次（量級 10^1）
年齡：平均 42 歲，標準差 15 歲（量級 10^2）
書豪直接把這三個欄位丟進 PCA。PCA 計算的是「哪個方向解釋最多的方差」。
交易金額的方差 = 50,000² = 2,500,000,000，交易次數的方差 = 8² = 64，相差 4 千萬倍。PCA 在尋找「最大方差方向」時，交易金額的巨大方差完全主宰結果，第一主成分幾乎只沿著「交易金額」這個軸。
年齡和交易次數的資訊，在數值龐大的金額面前，幾乎完全不可見。
舊方法
不標準化直接做 PCA，會踩哪些坑
- 主成分被單一特徵壟斷：量級大的特徵方差遠大於其他特徵，PCA 「眼中」只有這個特徵，其他特徵的資訊幾乎不進入前幾個主成分。
- 降維沒有達到原始目的：PCA 降維的目的是「用少數維度保留最多資訊」，如果「最多資訊」都是量級偏差造成的假象而非真實的資料結構，降維結果毫無意義。
- 風險模型失去重要特徵：年齡和交易次數在風險評估上可能比金額更重要（例如高頻交易者風險更高），但它們的資訊被金額的尺度效應淹沒，模型看不到這些信號。
- 主成分解釋性喪失：標準化後的 PCA 主成分可以解釋為「哪些特徵的組合模式」，但不標準化的 PCA 主成分只是「哪個特徵的絕對量大」，沒有實質的分析意義。
- 模型無法公平對待所有特徵：如果後續還有其他機器學習模型，帶有量級偏差的 PCA 特徵會讓那些模型也受到同樣的尺度效應影響，問題一路傳遞下去。
新方法
標準化後再 PCA：讓三個特徵站在同一個尺度上競爭
書豪對三個欄位做 Z-score 標準化：
交易金額標準化後：均值 0，標準差 1
交易次數標準化後：均值 0，標準差 1
年齡標準化後：均值 0，標準差 1
現在三個特徵的方差都是 1，PCA 在尋找「最大方差方向」時，每個特徵有公平的機會貢獻到主成分中。
標準化後重跑 PCA，第一主成分可能是「交易次數 + 年齡」的某種線性組合，第二主成分可能是「交易金額 - 年齡」，這樣的主成分才有真實的業務意義，能幫助風險模型捕捉複合風險模式。
這就是選項 D 講的：在進行 PCA 前應先進行標準化（Standardization），以避免因數值尺度差異造成特徵偏誤。
PCA 有兩個版本：基於共變異數矩陣（Covariance Matrix）和基於相關係數矩陣（Correlation Matrix）。
- 共變異數 PCA（原始數據）：直接用數值的共變異數，方差大的特徵天然主導，適合所有特徵量級相同的情況（例如：所有特徵都是同單位的物理量）。
- 相關係數 PCA（標準化數據）：先標準化讓每個特徵方差為 1，等效於在相關係數矩陣上做 PCA，讓特徵在貢獻度上公平競爭，適合特徵量級不同的情況。
什麼情況下不需要標準化：如果所有特徵的量級相同，或者業務上確實認為「量級大的特徵應該有更大的影響」，可以不標準化。例如：分析同種貨幣的不同商品價格時，量級差異可能有業務意義。
標準化 vs 正規化：
- 標準化（Standardization / Z-score）：轉換成均值 0、標準差 1。不把值壓縮到固定範圍，對離群值較穩健。PCA 前標準作法。
- 正規化（Normalization / Min-Max）：把值壓縮到 [0,1]。對離群值敏感，適合神經網路等需要固定輸入範圍的模型，不適合 PCA 前處理（離群值會壓縮其他值的分佈）。
為什麼 iPAS 考這題：PCA 是降維的標準工具，「標準化是 PCA 的必要前置步驟」是機器學習資料前處理的基礎知識，也是 iPAS 考試中最常見的 PCA 考點之一。
錯選項
為什麼其他選項是錯的
A這是正常現象，金額本身變異較大，應主導主成分
字面在說什麼
金額變異本來就大，讓它主導主成分是合理的。
為什麼不對
交易金額的大變異，很大程度上是「單位選擇」（新台幣 vs 千元 vs 萬元）的人為因素造成，不代表它在業務上真的比交易次數或年齡更重要。如果把金額單位改成「萬元」，它的方差立刻縮小 10,000 倍，主成分結構就完全不同了。良好的 PCA 不應該因為單位選擇而改變結果，這就是為什麼標準化是必要的。
誰會選錯
直觀上認為「高變異 = 重要」的人。高變異可能是真實的資訊量，也可能是量級的人為效應。PCA 前標準化是為了確保我們捕捉的是前者，而非後者。
B若改用特徵選擇法，可自動解決變數量級問題
字面在說什麼
換成特徵選擇法（Feature Selection），量級問題就不存在了。
為什麼不對
特徵選擇（Feature Selection）是選擇保留哪些原始特徵，不改變特徵的量級；它解決的是「哪些特徵有用」的問題，不是「特徵尺度不一致」的問題。量級差異的問題存在於任何基於距離或方差的方法中，包括 PCA、KNN、SVM 等，特徵選擇不能解決這個問題。
誰會選錯
把「特徵選擇」和「特徵縮放（Feature Scaling）」混為一談的人。兩個是完全不同的預處理步驟，解決不同的問題。
C可刪除「交易金額」欄位以平衡各主成分的影響
字面在說什麼
金額主導了主成分，那就把金額欄位刪掉，平衡一下。
為什麼不對
刪除特徵是信息損失，交易金額對風險評估有重要意義，直接刪除會讓模型失去重要的預測信號。問題不是「交易金額不重要」，而是「交易金額的尺度干擾了 PCA 的方向選擇」。正確做法是標準化，讓金額的尺度不再有不當的主導優勢，而不是直接把這個特徵丟掉。
誰會選錯
以「去掉干擾因素」的直覺解決問題，卻沒意識到刪除特徵和縮放特徵是完全不同的操作，而且刪除有資訊損失的代價。
變形題
同個考點下次怎麼變形
PCA 輸出說「PC1 解釋了 72% 的方差」，這什麼意思？
答案
解釋方差比例（Explained Variance Ratio）是「這個主成分所含的方差量 / 全部特徵的總方差量」。PC1 解釋 72% 代表第一主成分捕捉了原始資料 72% 的變化量，保留前幾個主成分直到累積解釋方差達到 90-95%，通常就夠用。這個指標幫助決定保留幾個主成分。
兩個都能把高維資料降到 2D，有什麼差別？
答案
PCA 是線性降維，保留整體方差結構，生成的主成分是原始特徵的線性組合，可以解釋「哪些特徵組合重要」，也可以還原回原始空間。t-SNE 是非線性降維，專門優化鄰近點關係的保留，適合視覺化聚類結構，但主成分無法解釋，也無法還原。PCA 用於機器學習前的降維，t-SNE 主要用於探索性視覺化。
兩個都能「減少特徵數量」，怎麼選？
答案
PCA 把原始特徵轉換成新的主成分（線性組合），適合需要消除特徵之間的相關性（共線性）、或整體降低維度的場景，但主成分不易直接業務解釋。特徵選擇保留原始特徵的一個子集，主成分仍是原來的欄位名稱，業務解釋性更高。需要模型可解釋性時選特徵選擇；需要消除共線性或最大化降維時選 PCA。
標準化要計算均值和標準差，應該用哪些資料計算？
答案
MUST 只用訓練集計算均值和標準差（fit on training set），然後用這組參數轉換測試集（transform test set）。如果用全部資料（含測試集）計算，測試集的資訊「洩漏」進了前處理步驟，這是數據洩漏（Data Leakage），會讓模型效能評估過於樂觀。
只有金額量級大，對金額做 log 轉換是否等效於標準化？
答案
對數轉換和標準化是不同的操作，不等效。對數轉換改變分佈形狀（可能讓長尾變常態），標準化只改變位置和尺度（不改變形狀）。對數轉換後的金額雖然量級縮小了，但與其他特徵的尺度仍可能不一致。最穩健的做法是：先做領域相關的轉換（如對數轉換），再做標準化，確保所有特徵同尺度。
延伸
想再往下看，這 5 個
- PCA（主成分分析）
線性降維的核心算法，標準化是其正確應用的必要前提，第一主成分捕捉最大方差方向。 - 特徵縮放（Feature Scaling）
標準化和正規化的統稱，讓不同量級的特徵可以公平參與距離計算和方差分析。 - 正規化（Normalization）
包含 Z-score 標準化、Min-Max 縮放等特徵縮放方法，PCA 前建議用 Z-score 標準化。 - 特徵選擇法（Feature Selection）
從原始特徵中選出最有用的子集，與 PCA（特徵萃取）解決不同問題，不能混用。 - 降維處理（Dimensionality Reduction）
PCA 是降維的代表算法，標準化是 PCA 的前置步驟，兩者組合是高維資料前處理的標準流程。