Многомерные данные

Многомерные данные — это данные, где каждый объект описывается несколькими признаками одновременно.

Основные моменты:

1. Структура

• Представляются матрицей X формы (n_samples, n_features)
• n_samples — число объектов
• n_features — число признаков
• Каждая строка — объект, каждая колонка — признак

2. Пример
   В Wine dataset:

• 178 вин → 178 строк
• 13 признаков (алкоголь, кислотность, цветность и др.) → 13 столбцов
• X.shape = (178, 13)

2. Особенности анализа

• Признаки могут быть коррелированы
• Для визуализации часто используют методы снижения размерности (PCA, t-SNE)
• Масштабирование делается по столбцам (axis=0)

2. Зачем важно понимать

• Многомерность определяет сложность задачи
• Методы расстояний (kNN, кластеризация) и линейные модели зависят от всех признаков одновременно
• Распределение в многомерном пространстве отличается от одномерного

Коротко:
многомерные данные — это когда каждый объект описывается несколькими признаками, формируя матрицу объектов и признаков, что создаёт пространство высокой размерности для анализа или обучения моделей.