请说明降维的定义，并阐述在实际应用中采用降维的动机或原因有哪些。

回答思路

1. 【回答框架 1】降维是指通过某种数学变换或特征选择方法，将高维数据映射到低维空间的过程。核心是保留数据的主要结构或信息，同时减少特征数量。
2. 【回答框架 2】主要动机包括：缓解维数灾难，因为高维下数据稀疏，距离度量意义减弱；降低计算与存储开销；消除特征间的冗余与相关性；便于数据可视化或后续建模；有时还能提升模型泛化能力，减少过拟合风险。
3. 【回答框架 3】常用方法有PCA、SVD、t-SNE等，实际需结合数据特点与目标选择。降维并非无条件保留所有信息，会损失部分细节。
4. 【回答框架 4】在业务中，通常在数据预处理阶段进行降维，但需结合具体任务评估效果。比如在图像或文本场景常用SVD做潜在语义分析。
5. 【回答框架 5】降维后的可解释性可能下降，尤其是非线性方法，需要权衡。
6. 【关键点 1】降维是减少特征数量同时尽量保留核心信息的过程。
7. 【关键点 2】核心驱动是缓解维数灾难并降低计算成本。
8. 【关键点 3】常用方法包括PCA、SVD、t-SNE等，各有适用场景。
9. 【关键点 4】降维会损失部分信息，需评估对任务的影响。
10. 【关键点 5】在高维稀疏场景下，降维常能提升模型稳定性与效率。
11. 【易错点 1】不能将降维等同于特征选择，后者是直接选取子集。
12. 【易错点 2】不能盲目追求低维而忽略信息损失，可能导致欠拟合。
13. 【易错点 3】不同方法对数据分布假设不同，需验证适用性。