Hochdimensionale Daten sind schwer zu visualisieren, langsam zu verarbeiten und neigen zu Überanpassung. Dimensionsreduktion komprimiert Merkmale zu einer kleineren Menge und erhält dabei so viel nützliche Struktur wie möglich.

Lineare Methoden wie die Hauptkomponentenanalyse projizieren Daten auf Richtungen maximaler Varianz. Nichtlineare Methoden wie t-SNE und UMAP erhalten lokale Nachbarschaften, wodurch sie sich zur Visualisierung von Clustern eignen.

Gängige Techniken

• Hauptkomponentenanalyse
• Lineare Diskriminanzanalyse
• t-SNE zur Visualisierung
• UMAP für das Lernen mit mehreren Elementen
• Autoencoder für nichtlineare Kompression

Reduktion führt immer zu Informationsverlusten. Ziel ist es, Rauschen und Redundanz zu entfernen und gleichzeitig das Signal zu erhalten. Die Wahl der optimalen Dimensionszahl ist eine Ermessensfrage, die sich häufig eher an der nachgelagerten Performance als allein am Rekonstruktionsfehler orientiert.