高維度資料難以視覺化、處理速度慢且容易過度擬合。降維技術將特徵壓縮成更小的集合，同時盡可能保留有用的結構。

線性方法（例如主成分分析）將資料投影到最大變異數的方向。非線性方法（例如 t-SNE 和 UMAP）則保留了局部鄰域，這使得它們常用於視覺化聚類結果。

常用技巧

• 主成分分析
• 線性判別分析
• 用於可視化的 t-SNE
• UMAP 用於流形學習
• 用於非線性壓縮的自編碼器

降維總是會損失一些資訊。目標是在保留訊號的同時去除雜訊和冗餘。選擇合適的維度數需要根據經驗判斷，通常以下游性能而非僅考慮重構誤差為依據。