高维数据难以可视化、处理速度慢且容易过拟合。降维技术将特征压缩成更小的集合，同时尽可能保留有用的结构。

线性方法（例如主成分分析）将数据投影到方差最大的方向上。非线性方法（例如 t-SNE 和 UMAP）则保留了局部邻域，这使得它们常用于可视化聚类结果。

常用技巧

• 主成分分析
• 线性判别分析
• 用于可视化的 t-SNE
• UMAP 用于流形学习
• 用于非线性压缩的自编码器

降维总会损失一些信息。目标是在保留信号的同时去除噪声和冗余。选择合适的维度数需要根据经验判断，通常以下游性能而非仅仅考虑重构误差为依据。