Dimensionality reduction: PCA, t-SNE and feature selection with Python - **name_fr:** Réduction de dimensionnalité : PCA, t-SNE et sélection de variables en Python - **tl_en:** Reduce feature dimensions with PCA, t-SNE, UMAP and feature selection, with full Python code - **tl_fr:** Réduire la dimension des variables avec PCA, t-SNE, UMAP et sélection de variables, avec code Python complet - **creator:** @aj-geddes - **type:** Agent skill - **url:** https://github.com/aj-geddes/useful-ai-prompts - **cat:** AI - **kws:** dimensionality reduction, pca, t-sne, umap, feature selection, scikit-learn, machine learning, visualization - **license:** MIT **Description EN:** Curated by Skill Harbor — a hands-on guide to dimensionality reduction for machine learning: PCA, t-SNE, UMAP, factor analysis and feature selection (SelectKBest, mutual information, tree-based importance), with a complete copy-paste Python walkthrough on the iris dataset — scree plots, cumulative variance, 2D/3D visualizations, loadings interpretation and a model-performance comparison across reduction methods. Also covers when each technique fits and how to choose the number of components (95% variance, elbow method, cross-validation). By @aj-geddes, listed here with credit to its creator. Honest caveats: requires Python 3 with scikit-learn, pandas, matplotlib and seaborn installed; t-SNE/MDS are demo-grade on large datasets (computationally expensive); statistics knowledge helps to interpret the loadings. Discovered via skills.sh. Skill Harbor never reviews the code, review it yourself before use. **Description FR:** 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. **Install prompt EN:** ``` Prerequisites: Python 3 with scikit-learn, pandas, numpy, matplotlib and seaborn installed Install "Dimensionality reduction: PCA, t-SNE and feature selection with Python" for me. Give my agent a hands-on guide to dimensionality reduction — PCA, t-SNE, UMAP, factor analysis and feature selection — with the complete Python walkthrough, visualizations and model-performance comparison Repository: https://github.com/aj-geddes/useful-ai-prompts/blob/main/skills/dimensionality-reduction/SKILL.md 1. Fetch the SKILL.md file for the aj-geddes-useful-ai-prompts-dimensionality-reduction skill from the repository into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md into the agent's skills directory, in a folder named "aj-geddes-useful-ai-prompts-dimensionality-reduction". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. pip-install the Python packages if missing). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` 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://github.com/aj-geddes/useful-ai-prompts/blob/main/skills/dimensionality-reduction/SKILL.md 1. Récupère le fichier SKILL.md du skill aj-geddes-useful-ai-prompts-dimensionality-reduction depuis le dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 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. ``` ---

Reduce feature dimensions with PCA, t-SNE, UMAP and feature selection, with full Python code - **tl_fr:** Réduire la dimension des variables avec PCA, t-SNE, UMAP et sélection de variables, avec code Python complet - **creator:** @aj-geddes - **type:** Agent skill - **url:** https://github.com/aj-geddes/useful-ai-prompts - **cat:** AI - **kws:** dimensionality reduction, pca, t-sne, umap, feature selection, scikit-learn, machine learning, visualization - **license:** MIT **Description EN:** Curated by Skill Harbor — a hands-on guide to dimensionality reduction for machine learning: PCA, t-SNE, UMAP, factor analysis and feature selection (SelectKBest, mutual information, tree-based importance), with a complete copy-paste Python walkthrough on the iris dataset — scree plots, cumulative variance, 2D/3D visualizations, loadings interpretation and a model-performance comparison across reduction methods. Also covers when each technique fits and how to choose the number of components (95% variance, elbow method, cross-validation). By @aj-geddes, listed here with credit to its creator. Honest caveats: requires Python 3 with scikit-learn, pandas, matplotlib and seaborn installed; t-SNE/MDS are demo-grade on large datasets (computationally expensive); statistics knowledge helps to interpret the loadings. Discovered via skills.sh. Skill Harbor never reviews the code, review it yourself before use. **Description FR:** 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. **Install prompt EN:** ``` Prerequisites: Python 3 with scikit-learn, pandas, numpy, matplotlib and seaborn installed Install "Dimensionality reduction: PCA, t-SNE and feature selection with Python" for me. Give my agent a hands-on guide to dimensionality reduction — PCA, t-SNE, UMAP, factor analysis and feature selection — with the complete Python walkthrough, visualizations and model-performance comparison Repository: https://github.com/aj-geddes/useful-ai-prompts/blob/main/skills/dimensionality-reduction/SKILL.md 1. Fetch the SKILL.md file for the aj-geddes-useful-ai-prompts-dimensionality-reduction skill from the repository into a temporary folder and summarize what it does in one or two sentences. 2. Safety check: review the SKILL.md for anything suspicious (unexpected network calls, shell commands, credential harvesting). This repo should contain zero secrets in code, credentials only via the secure vault, allowed hosts declared in the SKILL.md. Verify that holds here; STOP on any red flag and tell me. 3. Install it as a skill: copy SKILL.md into the agent's skills directory, in a folder named "aj-geddes-useful-ai-prompts-dimensionality-reduction". 4. Verify with no network calls: frontmatter valid, files in place. 5. Report what was installed, where, and what I still need to do myself (e.g. pip-install the Python packages if missing). GitHub is optional: if I have a GitHub account or the gh CLI, you may use it; otherwise public access is fine. Never require it unless it's in the prerequisites above. Rules: don't touch anything outside the temp folder and the install target. If anything looks off, stop and ask me. ``` **Install prompt FR:** ``` 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://github.com/aj-geddes/useful-ai-prompts/blob/main/skills/dimensionality-reduction/SKILL.md 1. Récupère le fichier SKILL.md du skill aj-geddes-useful-ai-prompts-dimensionality-reduction depuis le dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 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. ``` ---

Version: