降维方法在数据分析和可视化中至关重要，不同方法各有特点，适用于不同场景。
1. PCA（主成分分析）
原理：线性降维，通过正交变换将数据投影到方差最大的方向（主成分）。
特点：
保留全局结构，适合线性关系数据。
计算高效，可解释性强（主成分有明确方差贡献）。
对离群值敏感。
应用：高维数据初步探索、去除冗余特征、线性结构数据（如基因表达）。
2. PCoA（主坐标分析/经典多维尺度分析，MDS）
原理：基于距离矩阵（如欧氏距离、Bray-Curtis距离）保留样本间差异。
特点：
适用于任何距离度量，适合生态学、进化分析等非欧数据。
计算复杂度高（需构建距离矩阵）。
应用：物种组成数据、遗传距离等。
3. t-SNE（t分布随机邻域嵌入）
原理：非线性降维，通过保留局部邻域概率分布（高维→低维）。
特点：
擅长捕捉局部结构，适合聚类可视化。
对超参数（困惑度）敏感，计算慢，不保留全局结构。
应用：单细胞RNA-seq、图像聚类等局部结构明显的场景。
4. UMAP（均匀流形近似与投影）
原理：基于拓扑流形理论，平衡局部与全局结构。
特点：
比t-SNE更快，保留更多全局结构。
超参数（邻近点数量）影响较大，但鲁棒性优于t-SNE。
应用：与t-SNE类似，但更适合大规模数据（如单细胞数据）。
5. NMDS（非度量多维尺度分析）
原理：基于秩次距离（非数值距离），仅保留距离排序关系。
特点：
适用于非线性、非度量数据（如生态差异）。
计算耗时，需多次迭代，可能不收敛。
应用：生态学差异、等有序距离数据。
掌上生信绘图平台
在线分析平台，支持上述所有分析，无需编写代码，只需要上传文件即可一键分析并自动绘制相关图片，为您节约宝贵的时间成本。
结果图
结果表
绘图参数
结果图片还可以使用绘图参数自由修改
任务列表
如果分析结果不满意，可以修改参数重新提交分析，所有任务独立记录，可自由切换查看结果
