Reducción de la dimensión

1) Por qué la plataforma iGaming reduce la dimensión

Velocidad y estabilidad de ML: menos signos → más rápido fit/serve, menor riesgo de readiestramiento.
Visualización: proyecciones 2D/3D para detectar segmentos, deriva y anomalías.
Ruido → señal: factores generalizados (comportamiento/pago) más resistentes a las emisiones.
Costo: menos fich en línea → más barato almacenar/transportar/ajustar.
Privacidad: reemplaza las características sensibles originales por factores agregados.

2) «Selección» vs «Construcción» características

Selección (feature selection): filtros/envoltorios/pesos del modelo - conservamos un subconjunto de los fichas originales.
Construcción (feature extraction): calculamos nuevos factores (proyecciones/embarques).
Combinamos: primero la selección básica (leakage, constantes, información mutua), luego la construcción de factores.

3) Métodos: mapa breve

3. 1 Lineal

PCA/SVD: componentes ortogonales, maximizan la varianza explicada. Rápido, interpretable (loadings).
Análisis de factores (FA): factores latentes + errores específicos; bueno para las «escalas» conductuales.
NMF: partes aditivas no negativas («temas «/« motivos »de pagos/juegos); interpretable cuando se ≥0.

3. 2 No lineales

t-SNE: estructura local y clústeres en 2D/3D; sólo para la visualización (no para el serving).
UMAP: conserva la parte local + de la estructura global, más rápido que t-SNE; adecuado para preprocesamiento de clústeres.
Autoencoders (AE/VAE): enseñamos el codificador → el vector latente; puede ser online/incremental.
Isomap/LE: menos común en la venta (carreteras y caprichos).

3. 3 Categorizado/Mixto

Categorías de embarques (juego/proveedor/canal/dispositivo) + PCA/UMAP sobre la matriz de embarque.
La distancia de Gower → MDS/UMAP para tipos mixtos.

4) Pipeline (referencia)

1. Data hygiene: máscaras PII, tokenización, relleno de pases, vendimia de colas.
2. Skaling: Scaler Standard/Robust; para contadores - logs-transformes.
3. Selección: remove cerca-zero variance, corr> 0. 95 (leave-one), mutual info.
4. Método de reducción: PCA/UMAP/AE; fijamos el random seed y el confit.
5. Evaluación: métricas (abajo), estabilidad, visualizaciones.
6. Serve: serializamos los transformes (ONNX/PMML/almacén de registro), el tiempo-viaje para las rediseñas.
7. Monitoreo: la deriva de factores latentes, PSI, kNN-topología preservación.

5) Métricas de calidad

Variación explota (PCA): seleccionamos k con un umbral (por ejemplo, 90-95%).
Error de reconstrucción (AE/NMF): MSE/Poisson, SSIM para imágenes (si CV).
Trustworthiness/Continuity (UMAP/t-SNE): 0 a 1 - Cuánto se conservan los vecinos locales.
kNN-preservación: proporción de vecinos comunes antes/después de la proyección.
Downstream-impact: calidad de agrupamiento/clasificación después de la transformación (F1/AUC, silhouette).
Estabilidad: Rand/NMI entre reinicios, sensibilidad a seed/hyperparams.

6) Recetas prácticas para tareas

6. 1 Agrupamiento de jugadores

UMAP → HDBSCAN: revela bien los segmentos «live/social», «bonus-hunters», «crash-risk».
PCA-baseline para una interpretación rápida (loadings muestran «apuestas/min», «volatilidad», «patrón vespertino»).

6. 2 Antifraude y pagos

El NMF en la matriz (jugador × método de pago) identifica los «motivos» de las rutas; luego k-means/GMM.
AE en el comportamiento de depósitos/retiros es un vector latente en el modelo de anomalías (IForest/OC-SVM).

6. 3 Sistemas de recomendación

SVD/ALS-embeddings (igrok↔igra/provayder) + PCA/UMAP para filtrar el ruido y la puntuación son similares.

6. 4 Textos/Comentarios

Embeddings Sentence → UMAP: visualización de temas y ráfagas de negatividad (ver Análisis sentimental).
NMF en TF-IDF: «temas» interpretables de quejas (conclusiones, KYC, lags).

7) Online, Incrementalidad y Deriva

IncrementalPCA/Streaming AE: actualizamos los componentes sin volver a entrenar completamente.
Warm-start UMAP: actualización en nuevos batches (cuidado con la distorsión de los globos).
Deriva: monitorim PSI/KC por factores, drift topología kNN; umbrales → canario/rollback.
Versioning: 'projection @ MAJOR. MINOR. PATCH`; MAYOR - incomparable, mantener un servidor dual.

8) Privacidad y cumplimiento

Cero-PII en la entrada; los factores reducidos se mantienen separados de los orígenes.
k-anonimato de los escaparates (mínimo N objetos por corte).
Differenz. privacidad (opcional) en PCA/AE: ruido en gradientes/coordenadas.
DSAR: capacidad de borrar la contribución del sujeto (eliminar líneas, volver a calcular factores en la próxima batcha).

9) Interpretación de factores

Loadings (PCA/FA): los principales componentes de los fiches → nombres legibles para hombres («intensidad de las apuestas», «actividad nocturna», «sensibilidad a los bonos»).
Piezas NMF: conjuntos de fichas con pesos positivos → «motivo de pago/juego».
AE: aproximación lineal alrededor de un punto (Jacobian) + modelo surrogate para la explicabilidad local.

10) Integraciones

Clustering: espacio UMAP/PCA → HDBSCAN/k-means.
Anomalías: Reconstrucción AE/Distance latente → alertas.
Recomendaciones: Embeddings compactos para similar y búsqueda ANN.
Analytics API: damos agregados y factores en lugar de «crudos» fiches sensibles.

11) Plantillas (listas para usar)

11. 1 Configuración de PCA

yaml projection:
method: "pca"
n_components: "auto_0. 95" # cumulative variance ≥95%
scaler: "robust"
random_state: 42 serve:
format: "onnx"
p95_latency_ms: 5 monitoring:
drift_psi_max: 0. 2 privacy:
pii_in: false

11. 2 Configuración UMAP→HDBSCAN

yaml umap:
n_neighbors: 30 min_dist: 0. 05 metric: "cosine"
random_state: 42 cluster:
method: "hdbscan"
min_cluster_size: 120 min_samples: 15 evaluate:
metrics: ["silhouette","trustworthiness","knn_preservation"]

11. 3 AE (servidor)

yaml autoencoder:
encoder: [256,128,64]
latent_dim: 16 activation: "gelu"
dropout: 0. 1 optimizer: "adamw"
loss: "mse"
early_stop_patience: 10 serve:
route: "light    heavy" # router by latent complexity cache_embeddings: true

11. 4 Pasaporte de proyección (BI)

yaml version: "proj_pca_1. 3. 0"
explained_variance_cum: 0. 932 top_components:
- id: pc1, name: "rate intensity," top_features: ["bets _ per _ min, ""volatility,"" session _ len"]
- id: pc2, name: "night activity," top_features: ["evening _ share, ""dow _ weekend,"" live _ share"]
usage:
downstream: ["clusters_v4","fraud_iforest_v2","reco_ann_v3"]

12) Hoja de ruta para la implementación

0-30 días (MVP)

1. Higiene fich (skaling, pases, correlaciones), Zero-PII.
2. PCA con un umbral de dispersión del 95%; visualización de UMAP 2D para el análisis de segmentos.
3. Метрики: explained variance, trustworthiness, downstream uplift.
4. Registro de la transformación en el registro; dashboard factores de deriva.

30-90 días

1. AE para pagos/comportamiento; NMF para temas de reseñas.
2. Actualizaciones incrementales (IncrementalPCA/AE); canario al cambiar la versión.
3. Integración con clúster/antifraude/recomendador; alertas kNN-topología drift.

3-6 meses

1. Proyecciones geográficas/tenantes específicas; budget-aware serving (INT8/FP16).
2. Informes de interpretación de factores para comandos de productos.
3. Opciones de DP para mercados reguladamente sensibles.

13) Anti-patrones

Utilizar t-SNE para el prod serving (no es apto y no es comparable entre los lanzamientos).
Mezclar PII con factores; Logren los fiches originales sin máscaras.
Ignorar Skaling/Pass → componentes «falsos».
Seleccionar k «por ojo» sin la curva de dispersión/métricas y la validación de descarga.
Redescubrir la proyección sin versionar y dual-serve → modelos «rotos» hacia arriba en la cadena.
Interpretar una imagen UMAP como «verdad de tierra» sin probar la estabilidad.

14) RACI

Plataforma de datos (R): pipelines, registro, monitoreo de deriva.
Ciencia de datos (R): selección/personalización de métodos, interpretación de factores.
Producto/CRM (A): uso de factores en segmentación/offers.
Risk/RG (C): reglas para el uso de factores, protección contra focalización «agresiva».
Seguridad/DPO (A/R): privacidad, k-anonimato, DSAR.

15) Secciones relacionadas

Clustering Data, Sistemas de Recomendación, Análisis de Anomalías y Correlaciones, Análisis Sentimental de Retroalimentación, NLP y Procesamiento de Textos, Prácticas DataOps, MLOps: Explotación de Modelos, Ética de Datos y Transparencia.

Resultado

La reducción de la dimensión es una herramienta de producción de ML, no solo «hermosas nubes de puntos»: rigurosa higiene fich, métricas de conservación de la estructura, transformaciones estables y versionables. En iGaming, estas proyecciones aceleran el aprendizaje y el serving, mejoran la segmentación y la detección de anomalías, ahorran presupuesto y ayudan a mantener la privacidad.