انجام کاهش ابعاد باعث کاهش کل داده هایی می‌شود که باید در حافظه کامپیوتر ذخیره کنیم و الگوریتم یادگیری ما را تسریع می‌کند.
در کاهش ابعاد ، ما در حال کاهش ویژگی های خود هستیم تا تعداد نمونه های خود. متغیر $m$ ما در همان اندازه قبلی خواهد ماند، $n$ یعنی تعداد ویژگی های هر نمونه از $x ^{(1)}$ تا $x ^ {(m)}$ کاهش خواهد یافت.
مصور سازی داده هایی که بیش از سه بعد هستند آسان نیست. ما می‌توانیم ابعاد داده های خود را به ۳ یا کمتر کاهش دهیم تا آنها را ترسیم کنیم.
ما نیاز داریم که ویژگی های جدید پیدا کنیم، $z_1, z_2$ (و شاید $z_3$)، که می‌توانند به طور موثر همه ویژگی های دیگر را خلاصه کنند.
به طور مثال: صدها ویژگی مرتبط با سیستم اقتصادی یک کشور ممکن است همه در یک ویژگی که شما آن را “فعالیت اقتصادی” می‌نامید، ترکیب شوند.