t-SNE / UMAP
Riduzione della dimensionalità: proietta vettori ad alta dimensione (embedding) in 2D/3D per poterli visualizzare.
Lo strumento standard per «vedere» che cosa ha imparato un modello di ML: i cluster nello spazio degli embedding. t-SNE è bravo con la struttura locale, ma lento. UMAP è più veloce e conserva sia la struttura locale sia quella globale. La PCA è la classica alternativa lineare.