Høydimensjonale data er vanskelige å visualisere, sakte å behandle og utsatt for overtilpasning. Dimensjonalitetsreduksjon komprimerer funksjoner til et mindre sett samtidig som den bevarer så mye nyttig struktur som mulig.

Lineære metoder som prinsipalkomponentanalyse projiserer data i retninger med maksimal varians. Ikke-lineære metoder som t-SNE og UMAP bevarer lokale nabolag, noe som gjør dem populære for å visualisere klynger.

Vanlige teknikker

• Hovedkomponentanalyse
• Lineær diskriminantanalyse
• t-SNE for visualisering
• UMAP for mangfoldig læring
• Autokodere for ikke-lineær komprimering

Reduksjon mister alltid noe. Målet er å redusere støy og redundans samtidig som signalet beholdes. Å velge riktig antall dimensjoner er en vurdering, ofte styrt av nedstrøms ytelse snarere enn bare rekonstruksjonsfeil.