降維方法視覺化比較
金融數據範例：90檔股票，6個特徵維度
原始特徵：ROE、P/E比、波動率、市值、Beta、負債比
原始數據 (僅2維：ROE vs P/E)
⚠️ 只看這2個維度，三類股票高度重疊，難以區分
科技股 (高波動/高市值)
金融股 (中波動/中市值)
能源股 (低波動/低市值)
🔍 關鍵洞察
📊 降維的必要性
原始數據有6個維度，但人類只能看2D/3D圖。直接選2個維度會損失大量信息，導致類別高度重疊。
✨ 降維的價值
降維算法能綜合所有維度信息，投影到2D時保留最重要的結構，讓隱藏的模式變得可見。
🔵 PCA (主成分分析)
找出數據方差最大的方向，將多維數據投影到主成分空間。保留全局結構，適合數據壓縮與去噪。
🔴 LDA (線性判別分析)
利用類別標籤，最大化類別間距離、最小化類別內距離。找出最佳分類邊界，分離效果最好。
🟢 t-SNE (t-分布隨機鄰域嵌入)
保留數據的局部鄰域結構，形成緊密群集。視覺化效果最佳，最適合探索性數據分析。
