假设我的原始数据集有8个特征，我应用PCA并设置n_components = 3（我使用的是sklearn.decomposition.PCA）。然后，我使用这3个PCA成分（它们现在是我的新特征）来训练我的模型。

在预测时我是否也需要应用PCA？即使我只预测一个数据点，是否也需要这样做？

让我困惑的是，当我进行预测时，每个数据点都是一个二维矩阵中的一行（由我想预测的所有数据点组成）。所以，如果我只对一个数据点应用PCA，那么对应的行向量将被转换为零向量。

回答：

如果你在PCA的前三个成分上拟合了你的模型，你必须适当地转换任何新数据。例如，请看这段从这里取来的代码：

pca = PCA(n_components=n_components, svd_solver='randomized',          whiten=True).fit(X_train)X_train_pca = pca.transform(X_train)X_test_pca = pca.transform(X_test)clf = GridSearchCV(SVC(kernel='rbf', class_weight='balanced'), param_grid)clf = clf.fit(X_train_pca, y_train)y_pred = clf.predict(X_test_pca)

在代码中，他们首先在训练数据上拟合PCA。然后他们转换训练和测试数据，接着在转换后的数据上应用模型（在他们的例子中，是SVM）。

即使你的X_test只包含一个数据点，你仍然可以使用PCA。只需将你的数据转换为二维矩阵。例如，如果你的数据点是[1,2,0,5]，那么X_test=[[1,2,0,5]]。也就是说，它是一个有1行的二维矩阵。