La visualisation de données numériques appartenant à des espaces de grande dimension n'est pas un problème nouveau. L'Analyse en Composantes Principales (ACP) et le MultiDimensional Scaling sont des méthodes traditionnelles de compression, aisément utilisées pour la visualisation. Néanmoins, elles sont limitées à une transformation linéaire (une projection orthogonale) des données. Dans de nombreux cas cette limitation est importante ; on peut montrer que si l'objectif est de conserver dans la visualisation les similarités qui existent entre les données en grande dimension, les méthodes linéaires accordent davantage d'importance aux similarités faibles qu'aux données qui sont proches, ce qui n'est pas naturel.