Högdimensionella data är svåra att visualisera, långsamma att bearbeta och benägna att överanpassas. Dimensionalitetsreduktion komprimerar funktioner till en mindre mängd samtidigt som så mycket användbar struktur som möjligt bevaras.

Linjära metoder som principalkomponentanalys projicerar data i riktningar med maximal varians. Icke-linjära metoder som t-SNE och UMAP bevarar lokala grannskap, vilket gör dem populära för att visualisera kluster.

Vanliga tekniker

• Analys av huvudkomponenter
• Linjär diskriminantanalys
• t-SNE för visualisering
• UMAP för mångfaldig inlärning
• Autokodare för ickelinjär komprimering

Reduktion förlorar alltid något. Målet är att minska brus och redundans samtidigt som signalen bibehålls. Att välja rätt antal dimensioner är ett beslut som ofta styrs av prestanda nedströms snarare än enbart rekonstruktionsfel.