Os dados de alta dimensionalidade são difíceis de visualizar, lentos de processar e propensos a sobreajuste. A redução da dimensionalidade comprime as características num conjunto mais pequeno, preservando o máximo possível da estrutura útil.

Os métodos lineares, como a análise de componentes principais, projetam os dados nas direções de máxima variância. Os métodos não lineares, como o t-SNE e o UMAP, preservam as vizinhanças locais, o que os torna populares para a visualização de agrupamentos.

Técnicas comuns

• Análise de componentes principais
• Análise discriminante linear
• t-SNE para visualização
• UMAP para aprendizagem de variedades
• Autoencoders para compressão não linear

A redução implica sempre alguma perda. O objetivo é eliminar o ruído e a redundância, preservando o sinal. A escolha do número ideal de dimensões é uma questão de julgamento, frequentemente orientada pelo desempenho subsequente em vez de apenas pelo erro de reconstrução.