Dimensionalidad & Reducción (Curse of Dimensionality)
El comportamiento paradójico de los espacios de alta dimensión y técnicas para proyectarlos (PCA, t-SNE, UMAP).
Definición Técnica & Formal
A medida que el número de dimensiones (D) aumenta, el volumen del espacio crece de forma exponencial, haciendo que los puntos estén prácticamente equidistantes entre sí (Curse of Dimensionality). La reducción de dimensionalidad comprime el espacio manteniendo las relaciones de proximidad.
Puntos Clave & Aplicaciones
"Encontrar una pelota en una habitación 1D (una línea) es fácil; en 3D (un cuarto) requiere más tiempo; en un hiperespacio de 1000D, ¡todo parece estar igual de lejos!"
💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.Demostración Visual e Interactiva
Interactúa con los controles para simular dinámicamente el funcionamiento de Dimensionalidad & Reducción (Curse of Dimensionality).
Visualizador de la Arquitectura "Dimensionalidad & Reducción (Curse of Dimensionality)"
Encontrar una pelota en una habitación 1D (una línea) es fácil; en 3D (un cuarto) requiere más tiempo; en un hiperespacio de 1000D, ¡todo parece estar igual de lejos!
Ejemplo de Código & Demostración
from sklearn.decomposition import PCA
import numpy as np
# 100 vectores de 768 dimensiones
high_dim_data = np.random.rand(100, 768)
pca = PCA(n_components=2)
coords_2d = pca.fit_transform(high_dim_data)
print("Coordenadas 2D para renderizar:", coords_2d.shape) # (100, 2)