Datele de înaltă dimensionalitate sunt greu de vizualizat, lente de procesat și predispuse la supraadaptare. Reducerea dimensionalității comprimă caracteristicile într-un set mai mic, păstrând în același timp cât mai multă structură utilă posibil.

Metodele liniare precum analiza componentelor principale proiectează datele pe direcțiile de varianță maximă. Metodele neliniare precum t-SNE și UMAP păstrează vecinătățile locale, ceea ce le face populare pentru vizualizarea clusterelor.

Tehnici comune

• Analiza componentelor principale
• Analiza discriminantă liniară
• t-SNE pentru vizualizare
• UMAP pentru învățare multiplă
• Autoencodere pentru compresie neliniară

Reducerea pierde întotdeauna ceva. Scopul este de a elimina zgomotul și redundanța, păstrând în același timp semnalul. Alegerea numărului potrivit de dimensiuni este o decizie, adesea ghidată de performanța din aval, mai degrabă decât doar de eroarea de reconstrucție.