Quels sont les cas d'utilisation de ce prompt ?

Ce prompt peut être utilisé pour : Réduire les données de haute dimensionnalité.

Quel est le niveau de difficulté et quel outil IA utiliser ?

Ce prompt est de niveau avancé. Il est compatible avec tous les outils IA (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesAvanceAll AIs

Appliquer la réduction de dimensionnalité

Réduire les données de haute dimensionnalité

Coller dans votre IA

Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.

Écrire du code Python pour réduire la dimensionnalité d'une matrice de caractéristiques X comportant [NOMBRE] de caractéristiques en utilisant PCA, t-SNE et UMAP. Déterminer le nombre optimal de composantes PCA en utilisant la variance expliquée (seuil de 95%), visualiser les représentations t-SNE et UMAP colorées par [COLONNE_ETIQUETTE], et comparer la qualité du regroupement.

Personnaliser ce prompt avec Léa

Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.

Cas d'usage

Réduire les données de haute dimensionnalité

Améliorez ce prompt

Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.

Améliore ce prompt avec l'Optimiseur

Commentaires

LéaIA
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.