Hoogdimensionale data is moeilijk te visualiseren, traag te verwerken en gevoelig voor overfitting. Dimensionaliteitsreductie comprimeert kenmerken tot een kleinere set, terwijl zoveel mogelijk nuttige structuur behouden blijft.

Lineaire methoden zoals principale componentenanalyse projecteren data op richtingen met maximale variantie. Niet-lineaire methoden zoals t-SNE en UMAP behouden lokale buurten, waardoor ze populair zijn voor het visualiseren van clusters.

Gangbare technieken

• Hoofdcomponentenanalyse
• Lineaire discriminantanalyse
• t-SNE voor visualisatie
• UMAP voor veelvoudig leren
• Autoencoders voor niet-lineaire compressie

Bij reductie gaat er altijd iets verloren. Het doel is om ruis en redundantie te elimineren en tegelijkertijd het signaal te behouden. Het kiezen van het juiste aantal dimensies is een afweging, vaak gebaseerd op de prestaties van de downstream-processor in plaats van alleen op de reconstructiefout.