Visualización de datos de alta dimensión
El problema de muchas variables
Con dos variables basta un eje x y un eje y. Con tres se puede usar un canal más o una facetación. Más allá, el espacio se vacía y se llena a la vez: la maldición de la dimensionalidad hace que los puntos se alejen entre sí y que las relaciones se diluyan. Hay que desplegarlas.
Matriz de dispersión
Una matriz de dispersión —scatterplot matrix— dibuja todas las parejas de variables en una retícula, con cada variable cruzando con las demás. Es la pastilla de diagnóstico rápida para un puñado de variables: correlaciones, formas y grupos salen de golpe. Su límite es el número: con veinte variables son casi cuatrocientos paneles.
Mapa de calor de correlaciones
Cuando la matriz de dispersión se queda corta, un mapa de calor resume la correlación entre todas las parejas en una sola matriz coloreada. Pierde la forma de la relación pero gana escala: con cientos de variables se ve de un vistazo qué bloques se mueven juntos.
Coordenadas paralelas
En coordenadas paralelas, cada variable es un eje vertical paralelo y cada observación es una polilínea que los cruza. Las variables correlacionadas producen líneas que se cruzan poco y en orden; las anticorrelacionadas se cruzan en X. Permite ver muchas dimensiones a la vez y filtrar por rango.
Interacción y brushing
En alta dimensión, la interacción sustituye a la estática: el brushing selecciona puntos en un panel y los resalta en todos los demás (selección vinculada). Arrastrar, filtrar y reordenar ejes deja explorar estructuras imposibles de captar en una sola imagen fija.
Curvas de Andrews
Las curvas de Andrews codifican cada observación —con muchas variables— como una función sinusoidal superpuesta. Observaciones parecidas generan curvas que se agrupan, revelando clusters y outliers. Es una proyección no lineal disfrazada de línea: bella y a veces reveladora, aunque difícil de leer.
Proyecciones: PCA visual
Reducir a dos o tres dimensiones con análisis de componentes principales y dibujar la proyección es la vía clásica: comprime cincuenta columnas en dos ejes que conservan la varianza. Rápido y lineal, pero puede aplastar estructuras locales importantes.
Proyecciones no lineales
Técnicas como t-SNE y UMAP preservan vecindades locales y despueblan el resto, sacando a la luz grupos finos en datos muy dimensionales —imágenes, genética, texto. Son poderosas para explorar, pero sus distancias y densidades entre grupos no deben leerse al pie de la letra.
Cuidado con sobreinterpretar
Una proyección traiciona siempre: puntos que parecen lejanos pueden ser vecinos en el espacio original y viceversa. Los parámetros cambian el mapa. En t-SNE, por ejemplo, la distancia entre nubes no significa desemejanza. Son herramientas de hipótesis, no de medición.
Pequeños múltiplos como escape
- Repetir una vista de dos variables por cada subgrupo o cada par de interés.
- Cambiar la dimensión por faceta en lugar de amontonarla en canales.
Elegir según la pregunta
¿Buscar correlaciones entre muchas variables? Mapa de calor o matriz. ¿Ver formas de grupo? Coordenadas paralelas o proyección. ¿Explorar vecinos finos? t-SNE o UMAP. La técnica correcta depende de la pregunta, no del espectáculo visual.
Errores frecuentes
- Leer distancias y densidades de un t-SNE como si fueran métricas reales.
- Volver a una matriz de dispersión ilegible con demasiadas variables sin filtrar.
- Olvidar que toda proyección esconde tanto como revela.
Ejemplo resuelto: explorar un catálogo con cuarenta variables
Hay cuarenta columnas por producto y hay que entender si existen familias naturales. Se avanza por etapas:
- Primer vistazo global con un mapa de calor de correlaciones para ver qué bloques de variables se mueven juntos.
- Filtrar a las diez variables más informativas y cruzarlas en una matriz de dispersión.
- Buscar grupos con coordenadas paralelas, reordenando ejes para ver dónde se separan las líneas.
- Proyectar a dos dimensiones con una técnica no lineal para intuir clusters y detectar valores atípicos.
- Validar: volver a las variables originales antes de afirmar nada, porque la proyección engaña.
¿Para qué sirve en la realidad?
En genética, sistemas de recomendación o control de calidad, los datos tienen cientos de columnas. Saber desplegarlas revela segmentos y anomalías invisibles en tablas, y hacerlo con cabeza evita contar historias que la proyección nunca sostuvo.
¿Qué técnica preserva sobre todo las vecindades locales al proyectar datos de muchas dimensiones, revelando grupos finos?
En una proyección como t-SNE, la distancia entre dos grupos en el dibujo mide fielmente su desemejanza en los datos originales.
La maldición al fondo
Buena parte de la dificultad no es dibujar sino que, en muchos dimensiones, la noción misma de cercanía se debilita: casi todos los puntos están lejos de casi todos. Entender esa trampa evita confiar demasiado en cualquier patrón que «se ve» en un mapa de alta dimensión.
Alta dimensión
Ordena estas herramientas por el número de variables que manejan confortablemente:
Pocas
Muchas
How to Not Mislead with t-SNE
Guía esencial sobre cómo leer —y no sobreinterpretar— proyecciones de alta dimensión.
Une cada pregunta de análisis con la herramienta de alta dimensión adecuada.
Ver muchas variables
# Alta dimensionalidad ## Desplegar ### matriz de dispersión ### coordenadas paralelas ## Resumir ### mapa de calor ### curvas de Andrews ## Proyectar ### PCA global ### t-SNE y UMAP locales ## Cautela ### no leer distancias ### reordenar ejes ### validar
t-SNE (original)
Repositorio y explicación clásica de la proyección t-SNE para explorar datos dimensionales.
Proyectas con UMAP tu catálogo de productos en dos ejes y ves cuatro nubes bien separadas. ¿Qué afirmaciones puedes hacer y cuáles NO a partir de ese dibujo?