در تحلیل مجموعه داده های گوناگون یکی از مراحل بسیار مهم در بخش پیش پردازش ، کاهش ابعاد می باشد. در زمینه تحلیل داده ها روش های کاهش ابعاد اغلب در دو دسته انتخاب ویژگی و استخراج ویژگی قرار دارند و هر یک از آن ها روش های انتخاب ویژگی به منظور مواجهه با داده های ابعاد بالا، به مولفه ای جدایی ناپذیر از فرآیند یادگیری مبدل شده اند. یک انتخاب ویژگی صحیح می تواند منجر به بهبود یادگیرنده استقرایی از جهت های گوناگون از جمله سرعت یادگیری، ظرفیت تعمیم و سادگی مدل استنتاج شده شود. طی چند سال اخیر، مجموعه داده های متعددی با ابعاد بالا در اینترنت در دسترس عموم قرار گرفتند. این امر چالش جالب توجهی را برای جوامع پژوهشی در پی داشت، زیرا برای الگوریتم های یادگیری ماشین سر و کار داشتن با حجم زیادی از ویژگی های ورودی کاری دشوار است. در حال حاضر، ابعاد مجموعه داده های محک که از مخازن داده گوناگون در دسترس هستند به میلیون ها عدد یا حتی بیشتر افزایش یافته است. برای مواجهه با مساله تعداد بالای ویژگی ها، روش های کاهش ابعاد الزامی است و می توانند به بهبود کارایی دارای خصوصیات ویژه خود هستند.
