Wat is Dimensionality Reduction?

Wat is dimensionality reduction eigenlijk?

Stel je voor: je hebt een enorme spreadsheet met duizend kolommen over één klantenbestand. Elke kolom is een 'dimensie' — leeftijd, postcode, aantal bestellingen, gemiddeld orderbedrag, favoriete kleur, schoenmaat, noem maar op. Voor een AI-model is dat overweldigend. Dimensionality reduction is de kunst om al die kolommen te reduceren tot bijvoorbeeld 10 kernindicatoren, zonder de belangrijkste patronen te verliezen.

Denk aan een plattegrond van Nederland. Je kunt elke straat tot op de centimeter nauwkeurig tekenen — duizenden details. Maar meestal is een vereenvoudigde kaart met alleen snelwegen en grote steden genoeg om je weg te vinden. Zo werkt dimensionality reduction: je gooit de ruis en overbodige details weg, maar houdt de structuur die ertoe doet.

Waarom zou je dat willen?

Meer data is niet altijd beter. Te veel dimensies maken je model traag, hongerig naar rekenkracht én gevoelig voor overfitting — het gaat dan patronen zien in toevalligheden. Door het aantal features (kenmerken) terug te brengen:

• Train je sneller en goedkoper

• Voorkom je dat je model zich verliest in details

• Kun je data vaak ook visualiseren — 3 dimensies snap je, 1000 niet

• Bespaar je opslagruimte en energie

Een klassiek voorbeeld: gezichtsherkenning. Een foto van een gezicht heeft miljoenen pixels, maar je kunt dat terugbrengen tot een paar honderd 'kenmerkende punten' (afstand tussen ogen, vorm neus) die genoeg zijn om iemand te herkennen.

Hoe werkt het?

Er zijn grofweg twee manieren:

Feature selection — je kiest de beste kolommen en gooit de rest weg. Stel je meet 50 dingen over een plant, maar uiteindelijk blijkt dat bladkleur, hoogte en bloeitijd genoeg vertellen. De overige 47 voeg je niks toe.

Feature extraction — je combineert kolommen tot nieuwe, compactere variabelen. Denk aan het maken van een 'gezondheidscore' uit tientallen losse meetwaarden (bloeddruk, cholesterol, gewicht). Eén getal dat de essentie samenvat. Bekende technieken zijn PCA (Principal Component Analysis) en t-SNE.

De kunst zit in het vinden van de balans: te weinig dimensies en je verliest belangrijke nuance. Te veel en je houdt ruis.

Een voorbeeld uit de praktijk

Een webshop heeft data over 10.000 producten, elk beschreven met 500 eigenschappen: kleur, gewicht, merk, materiaal, prijsklasse, seizoen, reviews, verkoopcijfers per dag. Veel daarvan correleren sterk (winterjassen en 'seizoen:winter' zeggen hetzelfde). Met dimensionality reduction reduceer je die 500 kenmerken tot 20 hoofdcategorieën — genoeg om een aanbevelingsalgoritme snel en accuraat te maken, zonder dat het verdrinkt in dubbele informatie.

Waar kom je het tegen?

• Machine learning-pipelines — vrijwel elk model dat met veel features werkt, gebruikt dit als voorbewerking

• Data-visualisatie — tools als t-SNE of UMAP die duizenden datapunten op een 2D-kaart zetten

• Beeldcompressie — JPEG is een vorm van dimensionality reduction: miljoenen pixels worden compacter opgeslagen

• Genomics — DNA heeft duizenden genen; onderzoekers reduceren dat tot belangrijkste signalen

• Tekst-embeddings — grote taalmodellen zetten woorden om in vectoren van 768 dimensies, die soms verder verkleind worden voor efficiëntie

Als je ooit een "feature importance"-grafiek hebt gezien, of een scatterplot waarin complexe data ineens logische clusters vormt — dan keek je naar het resultaat van dimensionality reduction.

Wat kun je er zelf mee?

Als je werkt met grote datasets, datasets met veel kolommen of modellen die traag trainen: probeer eerst eens te kijken of niet 80% van je features eigenlijk hetzelfde zegt. Tools als Python-bibliotheken (scikit-learn) of low-code AI-platforms bieden dit vaak als standaard stap. Je hoeft geen wiskundige te zijn — het idee alleen al ("kan dit simpeler?") helpt je slimmere keuzes maken in welke data je bijhoudt en welke je links laat liggen.