Dimensionell reduktion är en teknik inom maskininlärning som används för att minska antalet dimensioner i en datamängd. Genom att minska antalet dimensioner kan man göra det enklare att analysera och visualisera datan, samt minska risken för överanpassning av modellen.
Ett vanligt exempel på dimensionell reduktion är Principal Component Analysis (PCA), där man omvandlar datan till en mindre uppsättning av oberoende variabler som beskriver största möjliga variation i datan.