Pipeline 报 ndarray 没有 _validate_params：PCA 步骤是否漏了括号

调用 pipeline.fit_transform(X)，错误却是 'numpy.ndarray' object has no attribute '_validate_params'。如果 Pipeline 的步骤写成了 ("pca", PCA)，先补上实例化所需的括号，而不要给 NumPy 数组添加估计器方法。

这个具体报错出现于 scikit-learn 1.3.2 的调用链。PCA 是类，PCA() 才是一个可拟合估计器实例。把类的方法当作实例方法调用时，传入的训练数组可能占到 self 的位置，后续校验自然会在 ndarray 上查找 _validate_params。不同版本或不同组合估计器可能给出更直接的 TypeError，但类与实例的区别不变。

步骤列表里放配置好的实例

下面是完整的结构示例，输入为十个样本、五个特征：

import numpy as np
from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline

X = np.arange(50, dtype=float).reshape(10, 5)
pipeline = Pipeline([("pca", PCA(n_components=2))])
transformed = pipeline.fit_transform(X)
assert transformed.shape == (10, 2)

这段数据只用来说明参数和形状，不代表真实业务应使用两个主成分。修复时保留原先计划给 PCA 的参数，并按实际样本数、特征数和求解器检查 n_components 的限制。

若实例创建后保存在变量里，步骤可写 ("pca", reducer)，前提是 reducer 确实由 PCA(...) 构造。变量名看起来像对象并不能证明它已实例化；配置工厂返回的类也会有同样风险。

不要把数组转换当作这条错误的通用答案

这里的 X 可以已经是合法 ndarray。将它转成 DataFrame、再转回数组，或添加无关的 .copy()，都不会让步骤里的类变成实例。直接调用 PCA.fit(X) 也存在未绑定方法问题，应使用某个实例的 fit。

如果步骤本来就是正确实例，则应按完整堆栈另查包装器、变量覆盖或实际调用目标。仅看到 _validate_params 就统一补括号，也会掩盖其他异常。不要编辑 site-packages 的参数检查器来跳过报错，检查器没有义务把一份样本数组解释成模型。

重建失败的组合，再核对输出

修正步骤配置后，重新创建并训练 Pipeline，避免沿用先前异常中断、状态不完整的对象。检查每个步骤的实际类型、输出形状和后续任务要求，必要时覆盖 fit 与 transform 分离调用。

使用交叉验证或带缓存的组合时，还要确认参数仍通过相应步骤名传入；不能为了直接调用 PCA 而绕过原来的验证流程。代码恢复只改变模型构造，已经保存的异常产物或错误特征仍需从原输入重新生成。