我正在使用sklearn库中的PCA（主成分分析）。我使用的训练集形状如下：X_train: (124, 13), y_train: (124, )。测试集的形状如下：X_test: (54, 13), y_test: (54, )。
我进行PCA的方式如下：
from sklearn.decomposition import PCA
pca = PCA(0.75) #保留75%的方差
X_train_pca = pca.fit_transform(X_train_std)
X_test_pca = pca.transform(X_test_std)
print X_train_pca.shape, X_test_pca.shape, y_train.shape, y_test.shape
>>> (124, 5), (54, 5), (124,), (54,)为了测试从主成分分析得到的结果的优劣，我首先使用逻辑回归：
from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr = lr.fit(X_train_pca, y_train)然后，我使用LogisticRegression中的score来找到转换的有效性和使用测试数据集的拟合的平均准确度：
print lr.score(X_test_pca, y_test)
>>> 0.9814814814814815然而，当我使用PCA (sklearn)中的score时，我遇到了错误：
print pca.score(X_test_pca, y=None)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-217-540210963ed0> in <module>()
----> 3 print pca.score(X_test_pca, y=None)
/Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc in score(self, X, y)
529 Average log-likelihood of the samples under the current model
530 """
--> 531 return np.mean(self.score_samples(X))
532
533
/Users/username/.local/lib/python2.7/site-packages/sklearn/decomposition/pca.pyc in score_samples(self, X)
503
504 X = check_array(X)
--> 505 Xr = X - self.mean_
506 n_features = X.shape[1]
507 log_like = np.zeros(X.shape[0])
ValueError: operands could not be broadcast together with shapes (54,5) (13,) 我做错了什么？如何在X_test（和y_test）中测试PCA结果的优劣？
回答：
对于PCA.score()，你需要使用原始的测试数据。当前你发送的是X_test_pca，它已经被PCA转换过了。
对于任何scikit-learn方法中的score()函数，你需要在fit()函数中使用的数据类型，而不是转换后的输出。PCA会在score()方法内部自动转换原始数据，然后计算对数似然。
将这个：
pca.score(X_test_pca, y=None)改为这个：
pca.score(X_test_std, y=None)