MDS多维尺度分析

欢迎关注”生信修炼手册”!

MDS是一种常用的降维算法，其基本思想是保证高维空间映射到低维空间之后，样本间的相对距离基本不变。

根据所用的相对距离的具体指标，可以划分成以下两大类

1. metric multidimensional scaling

2. non-metric multidimensional scaling, 缩写为NMDS

区别在于，metric MDS采用的是真实的距离指标，比如欧式距离，而NMDS并不是直接采用距离，而是采用距离的秩序。在数学上，距离这个概念需要满足以下4个特性

1. 非负性

2. 同一性

3. 对称性

4. 值低性

非负性指的是两个样本间的距离要大于等于零，公式如下

同一性表示样本和自身的距离为0，公式如下

对称性指的是两个样本相互之间的距离相等，公式如下

值递性指的是对于3个样本构成的三角形，任意一条边都小于等于另外两条边之和，公式如下

符合以上4个特性的指标才可以称之为距离，比如欧式距离就符合上述定义。除了距离以外，还有一个概念，叫做不相似度dissimilarity, 与距离相比，不相似度也具有非负性，同一性和对称性，但是不具有值递性。

以欧式距离为例，MDS要实现将原始的D维空间投影到低维空间Z, 并保持降维前后，样本点之间的距离不变，对应的公式如下

公式左侧为原始空间的样本距离，右侧为低维空间的样本距离，采用了范数的表示形式，对应l2范数，公式如下

可以看到，就是一个欧式距离的求解公式。进一步，将公式右侧展开，得到以下公式

对向量Z进行标准化，令

标准化的结果就是各个样本的Z向量之和为0