O processo de diminuir as variáveis em um conjunto de dados de treinamento usado para criar modelos de machine learning é conhecido como "redução de dimensionalidade". Ao transformar dados de alta dimensionalidade em um espaço de menor dimensão que captura a "essência central" dos dados, o procedimento controla a dimensionalidade dos dados. É frequentemente utilizado em disciplinas como reconhecimento de fala, processamento de sinais, bioinformática, entre outras, que lidam com dados de alta dimensionalidade. Além disso, pode ser aplicado à análise de clusters, redução de ruído e visualização de dados. Para que o machine learning analise dados com milhões de características, são necessárias inúmeras fontes e cálculos, além de muito trabalho manual. Ao transformar um conjunto de dados de alta dimensionalidade em um conjunto de dados de menor dimensionalidade sem alterar as características importantes do conjunto de dados original, a redução de dimensionalidade torna essa tarefa difícil comparativamente simples.
O que é Redução de Dimensionalidade?