降维算法 | PCA | UMAP | t-SNE

降维：

降维是指通过保留一些比较重要的特征，去除一些冗余的特征，减少数据特征的维度。

单细胞聚类的一般步骤有：数据质控，基因筛选，PCA降维，以及基于PCA预降维空间的聚类和进一步的降维可视化。

区别

1.PCA

PCA:线性降维

它通过寻找数据中的主成分来减少数据的维度。主成分是原始数据中方差最大的线性组合。

实际应用：生物信息学中探索单细胞RNA测序数据的主要变化，做数据降维。计算快

2.UMAP

UMAP:非线性降维技术，

它通过在高维空间中保持数据点之间的局部关系来进行降维。UMAP基于流形学习的思想，尝试在低维空间中保持数据点之间的局部距离。

实际应用：生物信息学中，单细胞RNA数据，做数据聚类。计算慢

3.t-SNE

t-SNE:非线性降维技术

它试图在低维空间中保持高维数据点之间的局部相似性关系。这使得它特别适用于探索高维数据中的非线性结构。

实际应用：生物信息学中，单细胞RNA数据，，于UMAP类似，做数据聚类。计算慢

与UMAP的区别：t-SNE具有一些关键的超参数，如学习率、迭代次数等，对结果具有较大影响。因此，在使用t-SNE时需要进行仔细的参数调整和结果评估。

算法：