2.6
Reducción de la dimensionalidad
Resumen
- Este capitulo presenta metodos de reduccion de dimensionalidad para comprimir datos de alta dimension conservando estructura util.
- Se comparan metodos lineales (PCA, SVD, LDA) y no lineales (t-SNE, Isomap, Kernel PCA).
- Al finalizar, podras elegir tecnicas para visualizacion, denoising y preprocesamiento de modelos.
Intuicion #
Reducir dimension no es solo comprimir: es conservar la geometria relevante para el objetivo, ya sea varianza global, separacion de clases o vecindad local.
Explicacion Detallada #
Que Cubre Este Capitulo #
- metodos lineales de reduccion como PCA y SVD
- proyeccion supervisada con LDA y metodos de variedad no lineal
- criterios practicos para elegir dimension objetivo y validar retencion de informacion
Que Podras Hacer #
- reducir el espacio de variables preservando estructura predictiva util
- comparar proyecciones lineales y no lineales segun el objetivo analitico
- integrar reduccion de dimensionalidad en flujos de entrenamiento y evaluacion