第二十二天，我們要探討資料科學領域經典的資料壓縮與降維技術——主成分分析（Principal Component Analysis，簡稱 PCA）。在真實資料集或生醫檢測中，欄位往往多達十幾個甚至上百個（即「維度災難」），這不僅大幅增加運算成本，更讓我們難以直接在平面上畫出資料的全貌。PCA 透過旋轉座標軸，找出資料變異量最大的正交方向（主成分），將高維度資訊投影至低維度空間。今天我們建立純 Python 腳本 day22_pca_dimension_reduction.py，掌握特徵降維至二維平面並視覺化其解釋變異量。

第一部分
新建 day22_pca_dimension_reduction.py。首先載入包含 4 個特徵欄位的鳶尾花資料集，在進行正交投影前，必須先使用 StandardScaler 將特徵進行標準化，確保每個特徵對共變異數矩陣的貢獻不受尺度大小左右：

第二部分
初始化 PCA(n_components=2)，將原本的 4 維特徵空間壓縮為 2 個主成分（PC1 與 PC2）。降維完成後，檢視各主成分保留的「解釋變異量比例（Explained Variance Ratio）」，評估降維過程是否保留了絕大多數的原始資訊：

第三部分
將降維後的 2 維特徵投影繪製成平面散佈圖，並根據植物品種塗上不同顏色；同時繪製累積解釋變異量長條圖，直觀檢驗高維壓縮至低維的效果：

第四部分
在終端機輸入 python day22_pca_dimension_reduction.py 執行驗證，確認主成分解釋比例（PC1 與 PC2 總計保留超過 95% 資訊）順利印出，且圖片 day22_pca_visualization.png 順利產出。確認按 Ctrl + S 存檔後推送到 GitHub 進行版本控制：

今日心得/遇到的問題
今天體驗了 PCA 的降維威力。人類的大腦與螢幕只能直觀感受二維或三維空間，但真實數據往往有數十個維度。透過 PCA，我們將 4 個特徵壓縮到僅剩 2 個主成分，卻保留了超過 95% 的原始資料變異量，而且投影到平面上後，品種之間的邊界依然清晰可辨。在做 PCA 前，務必要記得呼叫 StandardScaler，否則數值範圍最大的欄位會主導主成分軸的旋轉方向，導致降維失真。