Yüksek boyutlu verilerin görselleştirilmesi zordur, işlenmesi yavaştır ve aşırı uyum eğilimi gösterir. Boyut indirgeme, mümkün olduğunca fazla yararlı yapıyı korurken özellikleri daha küçük bir kümeye sıkıştırır.

Temel bileşen analizi gibi doğrusal yöntemler, verileri maksimum varyans yönlerine yansıtır. t-SNE ve UMAP gibi doğrusal olmayan yöntemler ise yerel komşulukları korur, bu da onları kümeleri görselleştirmek için popüler hale getirir.

Ortak teknikler

• Ana bileşen analizi
• Doğrusal diskriminant analizi
• Görselleştirme için t-SNE
• UMAP, çok yönlü öğrenme için
• Doğrusal olmayan sıkıştırma için otoenkoderler

İndirgeme her zaman bir şeyleri kaybettirir. Amaç, sinyali korurken gürültüyü ve gereksizliği ortadan kaldırmaktır. Doğru boyut sayısını seçmek, genellikle yalnızca yeniden yapılandırma hatasından ziyade, sonraki aşamalardaki performansa göre yönlendirilen bir değerlendirme meselesidir.