Il lavoro proposto è stato sviluppato per ridurre il rischio di una rappresentazione dei dati ad alta dimensionalità sotto forma di rappresentazione dei dati a bassa dimensionalità. La riduzione della dimensionalità si ottiene scegliendo le caratteristiche giuste dove le dimensioni si riducono, si costruisce un modello giusto per raggiungere la scelta giusta. Questa relazione presenta le pratiche di riduzione della dimensionalità come l'analisi delle componenti principali (PCA), Kernel PCA e Locally Linear Embedded (LLE).