Dimensionality Reduction

Por qué reducir dimensiones

# OpenAI embeddings: 1536 dims
# Problema: Difícil visualizar

# Solución: Reducir a 2-3 dims para visualización
# ADVERTENCIA: Solo para visualización, NO para producción

---

PCA (Principal Component Analysis)

from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# Embeddings (N × 1536)
embeddings = np.array([...])

# Reducir a 2D
pca = PCA(n_components=2)
embeddings_2d = pca.fit_transform(embeddings)

# Plot
plt.scatter(embeddings_2d[:, 0], embeddings_2d[:, 1])
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.title('Embeddings in 2D (PCA)')
plt.show()

---

UMAP (mejor que PCA)

import umap

# UMAP preserva estructura local mejor que PCA
reducer = umap.UMAP(n_components=2)
embeddings_2d = reducer.fit_transform(embeddings)

# Plot (clusters más claros que PCA)
plt.scatter(embeddings_2d[:, 0], embeddings_2d[:, 1])

---

Limitaciones

❌ NO usar para producción:

• Pérdida de información (~90%)
• Solo para visualización/exploración

✅ Usar para:

• Visualizar clusters
• Debugging (ver outliers)
• Presentations

---

Resumen

• ✅ PCA: Rápido, linear
• ✅ UMAP: Mejor preservación de estructura
• ❌ Producción: NO reducir dims (pérdida info)
• ✅ Visualización: OK

---

Módulo 6 - Cápsula 05