PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach
Uczą się Państwo umieszczać PCA w sklearn Pipeline przed klasyfikatorem oraz porównywać czas trenowania i dokładność testową z redukcją wymiarowości i bez niej.
PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach to bezpłatna lekcja Machine Learning Academy na CoddyKit. To lekcja 4 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Machine Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
PCA as a Preprocessing Step
Beyond visualisation, PCA serves as a practical preprocessing step that feeds compressed features into a downstream classifier or regressor. By discarding low-variance components that often encode noise, PCA can speed up training, reduce memory usage, and sometimes improve generalisation — especially when the original feature space is very high-dimensional.
Why PCA Can Reduce Noise
Random measurement noise typically spreads across many directions in feature space, but its variance is small in any single direction. PCA concentrates the meaningful signal in the top components and leaves noise in the low-variance tail. When you discard that tail, you effectively denoise the data. This is why PCA pre-processing sometimes helps algorithms like logistic regression that are sensitive to correlated or noisy features.
Embedding PCA in a sklearn Pipeline
The cleanest way to use PCA as preprocessing is inside a Pipeline. The pipeline ensures the scaler and PCA are fitted only on training data and then applied consistently to test data. This eliminates an entire class of data leakage bugs that occur when people forget to apply the same PCA transform to the test set.
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
pipe = Pipeline([
('scaler', StandardScaler()),
('pca', PCA(n_components=0.95)),
('clf', LogisticRegression(max_iter=500))
])
pipe.fit(X_train, y_train)
print('Test accuracy:', pipe.score(X_test, y_test).round(4))Comparing Training Time With and Without PCA
On high-dimensional datasets PCA can dramatically reduce training time because the classifier sees far fewer features. Let us benchmark logistic regression on the digits dataset (64 features) with and without PCA pre-reduction.
import time
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
# Without PCA
t0 = time.time()
pipe_full = Pipeline([('sc', StandardScaler()), ('clf', LogisticRegression(max_iter=1000))])
pipe_full.fit(X_train, y_train)
t_full = time.time() - t0
# With PCA
t0 = time.time()
pipe_pca = Pipeline([('sc', StandardScaler()), ('pca', PCA(n_components=0.95)),
('clf', LogisticRegression(max_iter=500))])
pipe_pca.fit(X_train, y_train)
t_pca = time.time() - t0
print(f'Without PCA: {t_full:.3f}s acc={pipe_full.score(X_test, y_test):.4f}')
print(f'With PCA: {t_pca:.3f}s acc={pipe_pca.score(X_test, y_test):.4f}')When PCA Helps and When It Does Not
PCA preprocessing helps most when: the number of features is large relative to the number of samples (high-dimensional, low-sample regime), features are correlated (redundant information), or the algorithm is slow with many features (e.g., SVM with RBF kernel). PCA tends NOT to help when: the dataset already has few, informative features, or you are using tree-based models (random forests, XGBoost) that handle redundant features natively and do not benefit from PCA's linear compression.
Tuning n_components in a Grid Search
Because PCA is a step inside a Pipeline, you can tune n_components alongside the classifier's hyperparameters using GridSearchCV. Use the double-underscore notation pca__n_components to refer to the PCA step's parameter. This lets the cross-validation loop find the optimal compression level simultaneously with the model's regularisation strength.
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_digits
X, y = load_digits(return_X_y=True)
pipe = Pipeline([
('sc', StandardScaler()),
('pca', PCA()),
('clf', LogisticRegression(max_iter=500))
])
param_grid = {
'pca__n_components': [10, 20, 30, 40],
'clf__C': [0.1, 1.0, 10.0]
}
grid = GridSearchCV(pipe, param_grid, cv=5, n_jobs=-1)
grid.fit(X, y)
print('Best params:', grid.best_params_)
print('Best CV score:', grid.best_score_.round(4))PCA Before SVM: A Classic Combination
SVMs with RBF kernels compute pairwise distances in the original feature space — expensive for high-dimensional data. Applying PCA first reduces dimensions while retaining signal, shrinking the distance computation. This combination was standard practice on image classification tasks before deep learning dominated: reduce image pixels with PCA, then classify with SVM.
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from sklearn.datasets import load_digits
from sklearn.model_selection import cross_val_score
import numpy as np
X, y = load_digits(return_X_y=True)
pipe = Pipeline([
('sc', StandardScaler()),
('pca', PCA(n_components=30)),
('svm', SVC(kernel='rbf', C=10, gamma='scale'))
])
scores = cross_val_score(pipe, X, y, cv=5)
print(f'Accuracy: {np.mean(scores):.4f} +/- {np.std(scores):.4f}')PCA for Noise Reduction: Concrete Example
Let us add Gaussian noise to the digits dataset and compare classifier accuracy with and without PCA denoising. On noisy data, PCA often improves accuracy by discarding the noise-dominated low-variance components.
import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_digits
from sklearn.model_selection import cross_val_score
X, y = load_digits(return_X_y=True)
X_noisy = X + np.random.randn(*X.shape) * 5.0 # heavy noise
for nc in [None, 10, 20, 30, 40]:
steps = [('sc', StandardScaler())]
if nc:
steps.append(('pca', PCA(n_components=nc)))
steps.append(('clf', LogisticRegression(max_iter=500)))
pipe = Pipeline(steps)
acc = cross_val_score(pipe, X_noisy, y, cv=5).mean()
label = f'PCA({nc})' if nc else 'No PCA'
print(f'{label:10s} acc={acc:.4f}')Always Fit PCA on Training Data Only
A critical rule: never fit the PCA transform on the test set. Fitting on test data leaks test-set statistics into the preprocessing and gives overly optimistic performance estimates. Using a Pipeline enforces this rule automatically: when you call pipeline.fit(X_train, y_train), every step — including PCA — is fitted only on the training split.
Memory Savings from PCA
On datasets with millions of samples and thousands of features (e.g., text TF-IDF matrices, genomic data), PCA dramatically reduces memory footprint. A 1M×5000 matrix at float32 costs 20 GB; PCA to 100 components gives a 1M×100 matrix at 400 MB — a 50× reduction. For such cases, use IncrementalPCA from scikit-learn, which fits PCA in chunks and never needs to load the full matrix into RAM.
from sklearn.decomposition import IncrementalPCA
import numpy as np
# Simulate large dataset as batches
n_samples, n_features = 10000, 500
n_components = 50
batch_size = 500
ipca = IncrementalPCA(n_components=n_components)
for i in range(0, n_samples, batch_size):
batch = np.random.randn(batch_size, n_features)
ipca.partial_fit(batch)
print('Explained variance ratio sum:', ipca.explained_variance_ratio_.sum().round(4))Combining PCA with ColumnTransformer
In mixed-type datasets, you can apply PCA only to numeric columns while encoding categoricals separately, then combine with a ColumnTransformer. This is an advanced but realistic pattern for production ML pipelines where image features, numerical measurements, and categorical flags all coexist in the same row.
Quick Check
Test your understanding of PCA as pipeline preprocessing from this lesson.
Lesson Recap
In this lesson you learned: PCA inside a Pipeline prevents data leakage by fitting the transform only on training data, PCA can speed up training and reduce noise especially for high-dimensional or correlated feature sets, and n_components can be tuned via GridSearchCV alongside other model hyperparameters using double-underscore notation. Next up we build our first complete scikit-learn Pipeline combining scaler and classifier.
Często zadawane pytania
Czy lekcja „PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach” jest bezpłatna?
Tak — pełny tekst „PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Machine Learning Academy, przejdź na CoddyKit PRO. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach”?
Uczą się Państwo umieszczać PCA w sklearn Pipeline przed klasyfikatorem oraz porównywać czas trenowania i dokładność testową z redukcją wymiarowości i bez niej. Ćwiczysz Machine Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Machine Learning Academy?
Nie wymagamy żadnego doświadczenia. Machine Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 4.
Ile czasu zajmuje lekcja „PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Machine Learning Academy?
Tak. Każda lekcja Machine Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- PCA: wariancja, wektory własne i składowe główne
- Rzutowanie danych i rekonstrukcja ze składowych
- t-SNE: zachowanie sąsiedztwa podczas wizualizacji
- PCA jako preprocessing: szybkość i redukcja szumu w pipeline'ach