Analisi di dati biomedici: tecniche di riduzione della dimensionalità in machine learning

Nell’esperienza comune si è abituati a visualizzare i dati trattati in due o tre dimensioni, questo poiché all’aumentare della dimensionalità la visualizzazione dei dataset diviene difficoltosa e impedisce un’analisi efficace. Nell’era dei Big Data, ove si trattano database di grandi dimensioni, operare a tali condizioni risulta impossibile e proprio per ovviare a questo problema, vari ricercatori hanno trovato tecniche che potessero ridurre i dataset a due o tre dimensioni rendendoli facilmente visualizzabili. In questo elaborato si discuterà lo stato dell’arte di tali tecniche di riduzione della dimensionalità in ambito biomedico, esaminando tre metodiche (PCA, t-sne e UMAP), che verranno infine messe a confronto attraverso un esempio pratico.