机器学习中的降维是减少数据集中的特征或变量数量的过程，同时尽可能多地保留原始信息。换句话说，这是一种通过降低数据复杂性来简化数据的方法。
当数据集具有大量的特征或变量时，就需要进行降维。特征过多会导致过度拟合并增加模型的复杂性。它还会使可视化数据变得困难并可能减慢训练过程。
Feature Selection
这涉及根据某些条件（例如其重要性或与目标变量的相关性）从原始特征中选择一个子集。
-
Filter Methods
-
Wrapper Methods
-
Embedded Methods
特征提取是一个将原始数据转换为机器学习模型可以使用的一组有意义特征的过程。它涉及通过选择、合并或转换特征来降低输入数据的维度，以创建一组对机器学习模型更有用的新特征。
降维可以提高机器学习模型的准确性和速度，减少过拟合，并简化数据可视化。