La reducción de dimensionalidad busca representar datos de alta dimensión (con muchas variables) usando muchas menos dimensiones, conservando la estructura e información más importante, ya sea para simplificar el entrenamiento de un modelo posterior o para poder visualizar los datos.
Sus dos grandes usos
Se utiliza tanto como paso de preprocesamiento (reducir cientos de variables correlacionadas a unas pocas más manejables antes de entrenar un modelo) como para visualización (representar datos de alta dimensión en dos o tres dimensiones que un humano pueda graficar e interpretar).