Data berdimensi tinggi sulit divisualisasikan, lambat diproses, dan rentan terhadap overfitting. Pengurangan dimensi mengompres fitur ke dalam himpunan yang lebih kecil sambil mempertahankan struktur yang berguna sebanyak mungkin.

Metode linier seperti analisis komponen utama memproyeksikan data ke arah varians maksimum. Metode nonlinier seperti t-SNE dan UMAP mempertahankan lingkungan lokal, yang membuat metode ini populer untuk memvisualisasikan klaster.

Teknik umum

• Analisis komponen utama
• Analisis diskriminan linier
• t-SNE untuk visualisasi
• UMAP untuk pembelajaran manifold
• Autoencoder untuk kompresi nonlinier

Pengurangan selalu menghilangkan sesuatu. Tujuannya adalah untuk mengurangi noise dan redundansi sambil mempertahankan sinyal. Memilih jumlah dimensi yang tepat adalah sebuah pertimbangan, yang sering kali dipandu oleh kinerja hilir daripada hanya kesalahan rekonstruksi.