机器学习中的数据维度与真实世界的维度本同末离。机器学习中，通常需要将现实世界中的数据进行转化，形成计算机能够处理的数据向量的形式，而往往为了学习到较好的模型，需要的数据向量维度都是非常大的。从而导致了学习一个模型或者算法往往需要大量的资源的消耗，有时甚至产生维度灾难的问题。因此， 为了缓解这一问题，又能够保留大部分特征的贡献学习到较好的模型，数据特征降维，即使用一个较低维的数据向量表达高位数据向量能够表达的大部分信息，显得尤为重要。
常见的特征降维方法有：
线性判别分析
等距映射
局部线性嵌入
拉普拉斯特征映射
局部保留投影
等...