La réduction de dimension transforme des données décrites par de nombreuses variables en une représentation plus courte qui conserve les structures utiles, au prix d’une perte d’information à mesurer.
Réduire la dimension avant un apprentissage robotique peut diminuer calcul, bruit et surapprentissage, mais risque de supprimer une variable rare ou critique pour la sécurité.
Pour visualiser des états robotiques de grande dimension, on projette données et trajectoires dans deux ou trois axes, puis on conserve couleur, temps, classe, erreur et incertitude pour interpréter la carte.
Vérifier qu’une réduction de dimension ne masque pas un risque exige d’analyser variables supprimées, erreurs par scénario, reconstruction, anomalies, contraintes et décisions produites après projection.
Une réduction de dimension linéaire cherche des axes qui résument au mieux la variation des données, comme le fait l’analyse en composantes principales.