Les données de grande dimension sont difficiles à visualiser, lentes à traiter et sujettes au surapprentissage. La réduction de dimensionnalité permet de condenser les caractéristiques en un ensemble plus restreint tout en préservant au maximum leur structure utile.

Les méthodes linéaires, comme l'analyse en composantes principales, projettent les données sur les directions de variance maximale. Les méthodes non linéaires, comme t-SNE et UMAP, préservent les voisinages locaux, ce qui les rend populaires pour la visualisation des clusters.

Techniques courantes

• Analyse en composantes principales
• Analyse discriminante linéaire
• t-SNE pour la visualisation
• UMAP pour l'apprentissage de variétés
• Auto-encodeurs pour la compression non linéaire

La réduction entraîne toujours une perte. L'objectif est d'éliminer le bruit et les redondances tout en préservant le signal. Le choix du nombre de dimensions optimal relève du jugement, souvent guidé par les performances en aval plutôt que par la seule erreur de reconstruction.