Vysokorozměrná data se obtížně vizualizují, pomalu se zpracovávají a jsou náchylná k přeplnění. Redukce dimenzionality komprimuje prvky do menší sady a zároveň zachovává co nejvíce užitečné struktury.

Lineární metody, jako je analýza hlavních komponent, promítají data do směrů maximálního rozptylu. Nelineární metody, jako je t-SNE a UMAP, zachovávají lokální okolí, což je činí oblíbenými pro vizualizaci shluků.

Běžné techniky

• Analýza hlavních komponent
• Lineární diskriminační analýza
• t-SNE pro vizualizaci
• UMAP pro mnohostranné učení
• Autoenkodéry pro nelineární kompresi

Redukce vždy něco ztrácí. Cílem je odstranit šum a redundanci a zároveň zachovat signál. Volba správného počtu dimenzí je rozhodnutí, které se často řídí spíše výkonem následného procesu než pouze chybou rekonstrukce.