El trabajo propuesto se desarrolló para reducir el riesgo de la representación de datos de alta dimensionalidad en forma de representación de datos de baja dimensionalidad. La reducción de la dimensionalidad se consigue eligiendo las características correctas en las que se reducen las dimensiones, se construye un modelo correcto para lograr la elección correcta. Este informe presenta las prácticas de reducción de la dimensionalidad como el Análisis de Componentes Principales (PCA), Kernel PCA y Locally Linear Embedded (LLE).