Lección 10 de 16 · Lectura y práctica
Reducción de Dimensionalidad: PCA, t-SNE y UMAP
Reducción de Dimensionalidad: PCA, t-SNE y UMAP Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria. Primero entiende el.
Del concepto a la práctica
Taller de esta lección
PCA crea componentes lineales ordenados por varianza y puede entrar en un pipeline predictivo. t-SNE y UMAP son especialmente útiles para explorar vecindades en una proyección; una separación visual no demuestra capacidad de clasificación ni causalidad.
Ejemplo resuelto
from sklearn.decomposition import PCA
X = [[1., 0.], [2., 0.], [0., 1.], [0., 2.]]
pca = PCA(n_components=1)
Z = pca.fit_transform(X)
print(Z.shape) # (4, 1)Escala variables si sus unidades difieren.
Ajusta PCA solo con entrenamiento en un flujo predictivo.
Registra componentes y varianza explicada.
Usa proyecciones no lineales como exploración, no como prueba final.
Error frecuente: ajustar una proyección con toda la tabla y luego evaluar. Corrígelo separando primero.
Pruébalo
Transforma las cuatro filas con n_components=1 y calcula la forma de salida.
Comprueba tu resultado
La salida tiene cuatro filas y una columna; no debes concluir que esa dimensión maximiza la métrica sin una evaluación separada.
En el fixture exploratorio, PCA conserva4 filas y su primer componente explica10/11 de la varianza (aproximadamente0,9091), calculado a partir de covarianza; ese porcentaje no es accuracy. El signo de un componente puede invertirse sin cambiar la geometría. t-SNE de scikit-learn no ofrece transform general de nuevos puntos y requiere perplexity menor que el número de muestras: su default30 no es válido para cuatro filas. UMAP procede de umap-learn y sí admite transform tras fit en su configuración habitual, pero no sustituye una evaluación predictiva independiente. t-SNE, UMAP.
Mapa de prácticaEl entrenamiento ajusta los parámetros del modelo. La validación ayuda a elegir el enfoque sin utilizar la prueba final. Reserva la prueba para evaluar la decisión terminada y evita que sus resultados vuelvan al ajuste.
Ver la infografía en tamaño completo ↗Reducción de Dimensionalidad: PCA, t-SNE y UMAP
Esta leccion pertenece al curso Machine Learning Práctico con Scikit-Learn y esta pensada para que avances con criterio profesional, no solo con teoria. Primero entiende el concepto, despues aplicalo en una situacion concreta y finalmente deja evidencia de lo que aprendiste.
Objetivo practico
Al terminar, deberias poder explicar el tema con tus palabras, reconocer cuando usarlo y construir una version simple que sirva como base para un proyecto real.
Pasos recomendados
- Lee el concepto y escribi una definicion breve.
- Identifica un caso de uso laboral donde aparezca este problema.
- Construye un ejemplo pequeno y documenta las decisiones.
- Compara tu resultado con el checklist de la leccion.
Sigue con Machine Learning Práctico con Scikit-Learn
Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.
Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.