机器学习中的降维技术主要有以下几种：
1. 主成分分析（PCA）：PCA是一种常用的降维技术，它的目标是通过找到数据中最大方差的方向（主成分），将数据投影到这些方向上，从而实现降维。PCA可以用于数据可视化、去除噪音、减少计算量等。
2. 因子分析（FA）：因子分析是一种统计方法，用于探索观察到的变量之间的潜在结构或因素。它可以用于简化数据集并揭示其潜在结构。
3. 缺失值处理：当数据集中存在大量缺失值时，可以考虑删除缺失特征值的数量大于指定阈值的特征，这也是一种降维的方法。
4. 相关性滤波器：当两个或多个特征高度相关时，可以考虑删除其中一个特征，因为它们可能包含相似的信息。此外，也可以删除与目标类标签不相关的特征。
5. 方差滤波器：如果一个特征的方差很小，说明它对模型的贡献很小，可以从训练样本中删除这个特征。
6. 前向/后向特征选择：这是一种选择最佳特征集的包装技术。通过逐步添加或删除特征，选择对模型性能最有影响的特征子集。
以上这些方法都可以在一定程度上降低数据集的维度，提高机器学习算法的性能和效率。需要注意的是，降维可能会导致一些信息的丢失，因此在选择降维方法时需要权衡数据的复杂性和模型的性能。