비선형 차원 축소와 매니폴드 학습 알고리즘은 매우 강력하지만, 이런 기법은 사용하기 어렵기로 악명이 높습니다. 이상적이지 않은 하이퍼파라미터를 선택할 경우 득보다 실이 많을 수 있다는 점에 유의해야 합니다. 이런 어려움이 있는 이유는 쉽게 시각화하기 어렵고 (그림 5-14의 스위스롤과 달리) 구조가 명확하지 않은 고차원 데이터셋으로 작업하는 경우가 많기 때문입니다. 게다가 데이터셋을 (더 복잡한 관계를 파악하기에 충분하지 않은) 2차원 또는 3차원으로 투영하지 않는다면 결과의 품질을 평가하기가 어렵거나 심지어 불가능합니다. 따라서 많은 사람이 여전히 차원 축소를 위해 PCA 및 LDA와 같은 간단한 기법에 의존하고 있습니다.