Dimensionality Reduction
Veri setindeki değişken sayısını, mümkün olduğunca bilgi kaybetmeden azaltma işlemi.
Boyut indirgeme, bir veri setindeki değişken (öznitelik) sayısını, verideki asıl bilgiyi mümkün olduğunca koruyarak azaltma işlemidir ve yüksek boyutlu verilerle çalışırken karşılaşılan "boyutluluk laneti" (curse of dimensionality) sorununu hafifletmeyi amaçlar. Boyut sayısı arttıkça veri noktaları arasındaki mesafeler anlamını yitirmeye başlar, hesaplama maliyeti katlanarak artar ve modeller aşırı öğrenmeye daha yatkın hale gelir; boyut indirgeme bu sorunları azaltırken aynı zamanda yüksek boyutlu verinin insan gözüyle incelenebilecek iki veya üç boyutlu bir görselleştirmeye dönüştürülmesini de mümkün kılar. PCA doğrusal ilişkileri yakalayan en yaygın yöntem iken, t-SNE ve UMAP gibi doğrusal olmayan teknikler, karmaşık kümeleme yapılarını görselleştirmede daha başarılı sonuçlar verebilir.