Dimenzija skupa podataka, koja predstavlja broj varijabli u promatranom skupu podataka, često je vrlo velika i mora se smanjiti kako bi algoritmi dubinske analize podataka djelovali učinkovito. Taj je postupak dio faze pripreme za dubinsku analizu podataka i provodi se prije izrade samog modela. Čak i kada je početni broj varijabli mali, skup podataka se brzo proširuje u koraku pripreme podataka, gdje se stvaraju nove izvedene varijable. U takvim je situacijama vjerojatno da su podskupovi varijabli međusobno visoko korelirani. Uključivanje visoko koreliranih varijabli u model klasifikacije ili predviđanja ili uključivanje varijabli koje nisu povezane s traženim rezultatom može dovesti do prekomjernog preklapanja podataka, a točnost i pouzdanost mogu se znatno smanjiti. U implementaciji modela, suvišne varijable mogu čak i povećati troškove zbog prikupljanja i obrade tih varijabli. Upravo stoga je potrebno provesti metode redukcije dimenzije skupa podataka. Postoji mnogo različitih tehnika redukcije dimenzija, a svima je cilj pronaći reprezentaciju podataka u prostoru nižih dimenzija koja zadržava što više informacija. Uglavnom se sve tehnike svode ili na eliminaciju značajki, koja označava potpuno uklanjanje varijabli koje nisu relevantne za daljnju analizu, ili ekstrakciju značajki, koja smanjuje dimenziju skupa podataka stvaranjem nove varijable kombiniranjem postojećih varijabli. U ovom radu će biti prikazane neke od mnogobrojnih tehnika redukcije kao što su razni sažetci skupa podataka, analiza korelacije, PCA i ostale. Odabrane tehnike redukcije dimenzije u radu će biti prvo objašnjene teoretskom osnovom, a nakon toga praktičnim primjerom izrađenim u programskom jeziku R.