次元削減 vs クラスタリング 3Dシミュレーター

解説: 「軸を減らす」か、「点をグループ化」するか

	次元削減 (Dimensionality Reduction)	クラスタリング (Clustering)
目的	データの特徴量（列、軸）を減らすこと。	データのサンプル（行、点）をグループ分けすること。
出力	より少ない特徴量で表現された、元のデータセットと同じ行数の新しいデータセット。	各サンプルがどのクラスタに属するかを示すラベル。
デモでの挙動	3Dの点が平面に射影され、2Dの点に変換される。	3Dの点の位置は変わらず、点の色がグループごとに変わる。
代表例	主成分分析 (PCA), t-SNE, UMAP	k-means, 階層的クラスタリング, DBSCAN
使い方の関係	これら2つはよく組み合わせて使われます。例: 次元削減（PCA）でデータを2次元に圧縮・可視化し、その上でクラスタリング（k-means）を実行する。