Reducción de dimensionalidad
Sinónimos: Dimensionality reduction · Reducción de dimensiones
Definición ampliada
La reducción de dimensionalidad representa datos mediante menos variables. Puede seleccionar una parte de las características originales o construir otras nuevas que resuman su variación. La información conservada depende del método y del objetivo: no existe una proyección que preserve a la vez todas las distancias, relaciones y señales.
Contexto histórico
El análisis de componentes principales, desarrollado a partir de comienzos del siglo XX, estableció la reducción lineal basada en la varianza. Más tarde aparecieron métodos no lineales destinados a visualizar vecindarios y variedades. UMAP es uno de ellos y combina una construcción topológica con una representación de baja dimensión [1].
Importancia actual
A fecha de septiembre de 2026, se usa tanto para comprimir entradas como para explorar embeddings y datos ómicos. Su mayor riesgo es convertir una visualización útil en una explicación: que dos puntos aparezcan juntos en un plano no prueba que sean equivalentes en el espacio original.
Aplicaciones
Generales
- Visualizar datos de muchas dimensiones.
- Reducir coste computacional y redundancia.
- Preparar variables para agrupamiento o clasificación.
Sanitarias
- Explorar patrones en datos genómicos o de expresión celular.
- Resumir variables correlacionadas antes de un análisis.
- Visualizar representaciones de textos o imágenes para control de calidad.
Limitaciones
- Toda reducción pierde o deforma alguna información.
- Los componentes pueden ser difíciles de interpretar.
- Ajustar la transformación antes de separar entrenamiento y prueba produce fuga de información.
- La apariencia de los grupos cambia con parámetros y semillas en métodos no lineales.
- Una separación visual no valida un biomarcador ni una categoría clínica.
Ejemplos
UMAP muestra dos agrupaciones en datos transcriptómicos. La figura sirve para formular una hipótesis, pero no demuestra que existan dos enfermedades: hay que comprobar estabilidad, variables de confusión y asociación con datos clínicos independientes.