数据特征降维 | 多维缩放（MDS）附Python代码

多维缩放（Multidimensional Scaling，MDS）是一种经典的降维和可视化技术，用于将高维数据映射到低维空间中，以便更好地展示数据的相似性和差异性。

MDS的基本思想是通过测量样本之间的距离或相似性，将其映射到低维空间中，使得在低维空间中的距离能够保持或近似原始高维空间中的距离。通过这种方式，MDS可以展示数据样本之间的关系和结构，并提供直观的可视化结果。

以下是MDS的基本步骤：

计算距离或相似性：对于高维数据中的每对样本，计算它们之间的距离或相似性。距离可以使用欧氏距离、相关系数、余弦相似性等进行度量。
构建距离矩阵：根据计算得到的距离或相似性，构建一个距离矩阵或相似性矩阵，其中每个元素表示样本之间的距离或相似性度量。
计算低维表示：通过对距离矩阵进行降维，得到样本在低维空间中的表示。常用的降维方法包括经典MDS（Classical MDS）、度量MDS（Metric MDS）和非度量MDS（Non-metric MDS）等。
可视化和解释：将降维后的低维表示进行可视化，以展示数据的结构和关系。在低维空间中，样本之间的距离或相似性反映了它们在高维空间中的关系。
MDS的目标是在低维空间中保持或近似高维空间中样本之间的关系，以尽可能准确地反映原始数据的结构。MDS方法的选择和参数设置会对结果产生影响，因此需要根据具体情况选择合适的MDS变体和参数。

原理：MDS试图在低维空间中保持样本间的距离，使得这些距离尽可能接近它们在原始高维空间中的距离。

应用：常用于探索性数据分析和可视化，尤其是在样本间距离的保持是重要的场景中。

from sklearn.manifo