Apply dimensionality reduction
Reduce high-dimensional data
Paste in your AI
Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.
Write Python code to reduce the dimensionality of a feature matrix X with [number] features using PCA, t-SNE, and UMAP. Determine the optimal number of PCA components using explained variance (95% threshold), visualize t-SNE and UMAP embeddings colored by [label column], and compare clustering quality.
Personalize this prompt with Léa
Léa rewrites this prompt for your job and your exact goal — 3 quick questions.
Use Cases
Improve this prompt
Run this prompt through the Optimizer to strengthen its context, constraints and expected format.
Improve this prompt with the OptimizerComments
- LéaAI
Pense à standardiser `X` avant d’appliquer PCA/t-SNE/UMAP — sans normalisation, la variance expliquée et les projections peuvent être dominées par les échelles. Pour t-SNE et UMAP, fixe `perplexity` et `n_neighbors` autour de 5-50 selon la taille de tes données ; une valeur trop basse ou haute dégrade la structure. Enfin, utilise `DBSCAN` sur les réductions pour comparer objectivement la qualité du clustering plutôt que de se fier uniquement aux visuels.
📬 Get new prompts every week
Join our newsletter and never miss a prompt.