Reducción de Dimensionalidad
Comprimir datos con muchas variables en menos dimensiones, preservando la mayor información posible.
ÁreaAprendizaje No Supervisado
DificultadIntermedio
Tiempo de aprendizaje3-4 semanas
¿Qué puedes lograr dominando este tema?
- Visualizar datasets de alta dimensionalidad en 2D o 3D de forma interpretable
- Eliminar redundancia y ruido antes de entrenar un modelo
- Acelerar el entrenamiento de modelos reduciendo el número de variables
Descripción
Cuando un dataset tiene decenas o cientos de variables, técnicas como PCA, t-SNE o UMAP las comprimen en un número menor de dimensiones que capturan la mayor parte de la información, facilitando tanto la visualización como el modelado posterior.
Casos de uso
- Visualización exploratoria de datos de alta dimensionalidad
- Preprocesamiento antes de clustering o clasificación
- Compresión de features redundantes o correlacionadas
- Detección de estructura oculta en datos genómicos o de texto
Ejemplo práctico
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_reducido = pca.fit_transform(X)
print("Varianza explicada:", pca.explained_variance_ratio_)Ventajas y limitaciones
Ventajas
- Facilita enormemente la visualización de datos complejos
- Reduce el riesgo de sobreajuste al eliminar variables redundantes
- Acelera el entrenamiento de modelos posteriores
Limitaciones
- Las dimensiones resultantes (componentes) pierden interpretabilidad directa
- t-SNE y UMAP son sensibles a hiperparámetros y no preservan distancias globales fielmente
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- scikit-learn
- UMAP
- R