數據降維，一般說的是維數約簡（Dimensionality reduction）。它的思路是：將原始高維特征空間里的點向一個低維空間投影，新的空間維度低于原特征空間，所以維數減少了。在這個過程中，特征發生了根本性的變化，原始的特征消失了（雖然新的特征也保持了原特征的一些性質）。
而特征選擇，是從 n 個特征中選擇 d (d<n)個出來，而其它的 n-d 個特征舍棄。所以，新的特征只是原來特征的一個子集。沒有被舍棄的 d 個特征沒有發生任何變化。這是二者的主要區別。
主要區別在于 坐標 上。
特征選擇，是在給定一組特征（也即確定了坐標）后，從中選取一個特征子集，因此相當于把一些坐標去除的過程。在大部分情況下特征選擇都是在冗余變量較多的情況下使用，此時相當于坐標為斜坐標，甚至還存在冗余坐標（即用p個特征表達了k (k
降維，如果特指PCA這種線性降維方法，則降維所得的子空間是在原始坐標系旋轉下不變的。而如果坐標系恰好選取為主向量，則PCA實際上等價于對這組特殊的坐標系進行特征選擇，方式是根據樣本在坐標軸上分散的程度來決定該坐標軸的去留。而在一般情形下，PCA降維所得的子空間是由幾乎所有原始特征張成的，因此原始特征全部起作用。
因此，有學者（Zou & Hastie)提出了sparse PCA，旨在強迫使用 部分 原始特征張成盡量“優質”的子空間，同時實現了降維+特征選擇，從而能在分析主成分的同時還可以加入模型的 解釋性 。
如果涉及到非線性降維，如流形學習等方法，則與特征選擇區別甚大，此時不僅有降維，還帶有坐標軸的非線性扭轉伸縮等操作。特征選擇在更多情形下，還只是限于線性的范疇（此處的線性指對參數的線性）。