Los datos de alta dimensionalidad son difíciles de visualizar, lentos de procesar y propensos al sobreajuste. La reducción de dimensionalidad comprime las características en un conjunto más pequeño, conservando la mayor cantidad posible de estructura útil.

Los métodos lineales, como el análisis de componentes principales, proyectan los datos en direcciones de máxima varianza. Los métodos no lineales, como t-SNE y UMAP, preservan los vecindarios locales, lo que los hace populares para visualizar clústeres.

Técnicas comunes

• Análisis de componentes principales
• Análisis discriminante lineal
• t-SNE para visualización
• UMAP para el aprendizaje de variedades
• Autoencoders para compresión no lineal

La reducción siempre implica la pérdida de algo. El objetivo es eliminar el ruido y la redundancia manteniendo la señal. Elegir el número adecuado de dimensiones es una decisión subjetiva, a menudo guiada por el rendimiento posterior más que por el error de reconstrucción únicamente.