A nagydimenziós adatokat nehéz vizualizálni, lassan feldolgozni, és hajlamosak a túlillesztésre. A dimenziócsökkentés a jellemzőket kisebb halmazba tömöríti, miközben a lehető legtöbb hasznos struktúrát megőrzi.

A lineáris módszerek, mint például a főkomponens-analízis, a maximális variancia irányába vetítik ki az adatokat. A nemlineáris módszerek, mint például a t-SNE és az UMAP, megőrzik a lokális szomszédságokat, ami népszerűvé teszi őket a klaszterek vizualizálásában.

Gyakori technikák

• Főkomponens-elemzés
• Lineáris diszkrimináns analízis
• t-SNE vizualizációhoz
• UMAP a sokoldalú tanulásért
• Autoenkóderek nemlineáris tömörítéshez

A redukció mindig veszít valamit. A cél a zaj és a redundancia csökkentése a jel megtartása mellett. A megfelelő dimenziószám megválasztása egy megítélés kérdése, amelyet gyakran a downstream teljesítmény, nem pedig pusztán a rekonstrukciós hiba vezérel.