Dimensionality reduction: PCA, t-SNE and feature selection with Python
Réduire la dimension des variables avec PCA, t-SNE, UMAP et sélection de variables, avec code Python complet
- Quoi
- Réduire la dimension des variables avec PCA, t-SNE, UMAP et sélection de variables, avec code Python complet
- Coût
- Gratuit
- Prérequis
- Python 3 avec scikit-learn, pandas, numpy, matplotlib et seaborn installés
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — un guide pratique de réduction de dimensionnalité pour le machine learning : PCA, t-SNE, UMAP, analyse factorielle et sélection de variables (SelectKBest, information mutuelle, importance par arbres), avec un tutoriel Python complet copiable sur le dataset iris — scree plots, variance cumulée, visualisations 2D/3D, interprétation des loadings et comparaison des performances de modèles selon les méthodes de réduction. Couvre aussi quand utiliser chaque technique et comment choisir le nombre de composantes (95 % de variance, méthode du coude, validation croisée). Crédit : @aj-geddes. Bémols honnêtes : nécessite Python 3 avec scikit-learn, pandas, matplotlib et seaborn installés ; t-SNE/MDS restent coûteux sur de gros datasets ; des bases de statistiques aident à interpréter les loadings. Découvert via skills.sh. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.
Version :
Réponse rapide
Dimensionality reduction: PCA, t-SNE and feature selection with Python est un skill gratuit pour Muse. Couvre aussi quand utiliser chaque technique et comment choisir le nombre de composantes (95 % de variance, méthode du coude, validation croisée). Crédit : @aj-geddes.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit 3f5182cÉtape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : Python 3 avec scikit-learn, pandas, numpy, matplotlib et seaborn installés Installe-moi « Réduction de dimensionnalité : PCA, t-SNE et sélection de variables en Python ». Donne à mon agent un guide pratique de réduction de dimensionnalité — PCA, t-SNE, UMAP, analyse factorielle et sélection de variables — avec le tutoriel Python complet, les visualisations et la comparaison des performances de modèles Dépôt : https://raw.githubusercontent.com/aj-geddes/useful-ai-prompts/3f5182cfd739fc113f4af5244a1cf342ad7f7911/skills/dimensionality-reduction/SKILL.md Version épinglée : installe le code au commit 3f5182cfd739fc113f4af5244a1cf342ad7f7911 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. 1. Récupère le fichier SKILL.md du skill aj-geddes-useful-ai-prompts-dimensionality-reduction depuis le dépôt dans un dossier temporaire 2. Contrôle de sécurité : examine le SKILL.md pour tout contenu suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code ; les identifiants passent uniquement par le coffre sécurisé, les hôtes autorisés sont déclarés dans le SKILL.md. Vérifie que c'est bien le cas ; STOP sur le moindre signal d'alerte et préviens-moi. 3. Installe-le comme skill : copie SKILL.md dans le répertoire des skills de l'agent, dans un dossier nommé « aj-geddes-useful-ai-prompts-dimensionality-reduction ». 4. Vérifie sans aucun appel réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. installer les paquets Python manquants via pip). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf si c'est dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 3f5182c · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026 · Observé pendant le test d’installation: registry.npmjs.org
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours un skill avant de l’installer.