Dane wielowymiarowe są trudne do wizualizacji, przetwarzane powoli i podatne na nadmierne dopasowanie. Redukcja wymiarowości kompresuje cechy do mniejszego zbioru, zachowując jednocześnie jak najwięcej użytecznej struktury.

Metody liniowe, takie jak analiza głównych składowych, rzutują dane na kierunki o maksymalnej wariancji. Metody nieliniowe, takie jak t-SNE i UMAP, zachowują lokalne sąsiedztwa, co czyni je popularnymi w wizualizacji klastrów.

Typowe techniki

• Analiza głównych składowych
• Liniowa analiza dyskryminacyjna
• t-SNE do wizualizacji
• UMAP do nauki wielorakiej
• Autoenkodery do kompresji nieliniowej

Redukcja zawsze coś traci. Celem jest redukcja szumów i redundancji przy jednoczesnym zachowaniu sygnału. Wybór odpowiedniej liczby wymiarów to decyzja, często oparta na wydajności downstream, a nie wyłącznie na błędzie rekonstrukcji.