Τα δεδομένα υψηλής διάστασης είναι δύσκολο να οπτικοποιηθούν, είναι αργά στην επεξεργασία και επιρρεπή σε υπερβολική προσαρμογή. Η μείωση της διάστασης συμπιέζει τα χαρακτηριστικά σε ένα μικρότερο σύνολο, διατηρώντας παράλληλα όσο το δυνατόν περισσότερη χρήσιμη δομή.

Οι γραμμικές μέθοδοι, όπως η ανάλυση κύριων συνιστωσών, προβάλλουν δεδομένα σε κατευθύνσεις μέγιστης διακύμανσης. Οι μη γραμμικές μέθοδοι, όπως το t-SNE και το UMAP, διατηρούν τις τοπικές γειτονιές, γεγονός που τις καθιστά δημοφιλείς για την οπτικοποίηση συστάδων.

Κοινές τεχνικές

• Ανάλυση κύριων συστατικών
• Γραμμική διακριτική ανάλυση
• t-SNE για οπτικοποίηση
• UMAP για πολλαπλή μάθηση
• Αυτόματοι κωδικοποιητές για μη γραμμική συμπίεση

Η μείωση χάνει πάντα κάτι. Ο στόχος είναι να μειωθεί ο θόρυβος και ο πλεονασμός διατηρώντας παράλληλα το σήμα. Η επιλογή του σωστού αριθμού διαστάσεων είναι μια κρίσιμη απόφαση, η οποία συχνά καθοδηγείται από την απόδοση κατάντη και όχι μόνο από το σφάλμα ανακατασκευής.