对由自定义函数和提取器方法预处理过的文本培训降维器函数：

培训降维器并对每个变量给定名称：

使用关联格式减少一个新例子的维数：

仍然可以使用列表格式：

对简单的数据集培训降维器：

第一个特征被解释为数值. 使用 FeatureTypes 加强第一个特征解释为标称值：

使用 t-SNE 方法对 Fisher 虹膜数据集的特征产生一个降维函数：

把例子按种类分组：

减少特征的维数：

可视化约减后的数据集：

使用不同的困惑值执行同样的操作：

使用自动编码方法降低一些图像的维度：

可视化图像的二维表示：

用随机噪声生成一个非线性数据流型，称之为 Swiss-roll 数据集：

可视化三维 Swiss-roll 数据集：

使用等距映射 (isomap) 方法培训约简函数：

可视化约简数据集的二维嵌入：

使用局部线性嵌入 (LLE) 方法培训约简函数：

可视化约简数据集的二维嵌入：

使用在系统默认 GPU 上的完全连接的 "AutoEncoder" 培训约简函数并查看 AbsoluteTiming：

比较值钱的时间和使用默认 CPU 计算获得的时间：

从 ExampleData 加载费雪鸢尾花卉数据集：

生成具有各个范例特征的降维函数：

根据属种对范例分组：

缩减特征维度：

可视化降维数据集：

加载三维几何数据：

产生一个带有随机视点的许多头的数据集，因而创建不同的头姿势：

可视化不同的头姿势：

使用 LLE 方法对不同姿势的图像数据集产生约简函数：

从 50×50 输入空间看可视化图像的二维表示，两条轴表示上下和前端的姿势：

从 ExampleData 加载 MNIST 数据集，并保留图像：

将图像转换为数值数据，并将数据集分为训练集和测试集：

数据集的维度是 784：

从训练集创建目标维度为 50 的降维器：

对测试集的向量降维：

可视化原始向量及其重建版本：

用 Missing[] 替换向量的某些值，并可视化：

用降维函数对缺失值进行插补：

可视化原始图像、具有缺失值的图像和插补后的图像：

得到 SparseArray 形式的用户影评：

数据集由 100 个用户和 10 部影片组成. 评分范围从 1 到 5，并用 Missing[] 表示未知评分：

将数据集分为训练集和测试集：

从训练集生成降维器：

使用降维器对新用户的缺失值进行插补（即预测）：

构建狗图像的数据集：

根据该数据集培训降维器：

在降维空间产生一个 NearestFunction：

使用 NearestFunction，构建显示数据集最近图像的函数：

对于不在数据集中的图像使用该函数：

该降维函数也可用于删除类似的图像对：