事物在其演变过程中必然会受到许多因素的影响和制约，因此在很多实际问题中数据的维数相当高。对于一维和二维的数据结构，常常采用直方图来直观地了解数据的特征，并通过这些图形的变化趋势来判断已有或未知数据的结构。虽然这种方式非常粗糙，但也能为了解数据的结构提供帮助。但是，当数据维数大于4时，就无法通过绘图的方式直观地观察数据结构，需要将原始数据投影到可以观察到的空间维上，即1～3 维，通过在低维空间的观察来了解数据在高维空间的结构。
同时在实际问题研究工作中，为了避免忽略掉任何可能的相关信息，往往在搜集资料时要全面考虑各个因素，从而使多元分析方法的应用不但普遍而且非常重要。传统的多元分析方法是建立在数据总体服从正态分布的基础上的，而实际上许多数据并不满足正态分布的假定，需要用稳健的、实用的方法来解决。但是，当数据维数较高时，这些方法将面临一些困难，主要表现在三个方面：
（1）随着维数的增加，计算量呈几何增加，而且不可能绘出可视的分布图或其他图形。
（2）当数据维数较高时，即使数据的样本点很多，但散在高维空间中仍显得非常稀疏，Bellman将这种现象称为“维数祸根”，这使得许多在一维情况下比较成功的传统方法，如关于密度函数估计的核估计法、邻域法等不能适用。因而在研究高维数据时，常采用聚类分析、因子分析、典型相关分析等方法，但这些方法仅着眼于变量间的距离，而忽略了不相干变量的存在，使研究者无法确定结果的正确性。(www.xing528.com)
（3）在低维时稳健性很好的统计方法到了高维空间其稳健性就变差了。
因此传统的数据分析方法对于高维非正态、非线性数据分析很难收到很好的效果。原因在于这些方法过于形式化、数学化，无法找到数据的内在规律和特征，不能满足高维非正态分布数据分析的需要。投影寻踪方法就是在这种背景下产生的。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
