PCA menyeleksi berpengaruh dimensi dengan eigenanalysis dari titik data N sendiri, sementara MDS menyeleksi berpengaruh dimensi dengan eigenanalysis dari titik data dari matriks jarak berpasangan. Ini memiliki efek menyoroti penyimpangan dari keseragaman dalam distribusi. Mempertimbangkan matriks jarak sebagai analog dengan tensor tegangan, MDS dapat dianggap sebagai algoritma tata letak "gaya-diarahkan", kompleksitas eksekusi di antaranya adalah O ( d N a ) di mana 3 < a ≤ 4 . N2O (dNSebuah)3 < a ≤ 4
t-SNE, di sisi lain, menggunakan pendekatan lapangan untuk mengeksekusi bentuk yang agak berbeda dari tata letak gaya-diarahkan, biasanya melalui Barnes-Hut yang mengurangi kompleksitas berbasis gradien menjadi O ( d N ⋅ log ( N ) ) , tetapi sifat konvergensi kurang dipahami dengan baik untuk metode pendekatan stokastik iteratif ini (sepengetahuan saya), dan untuk 2 ≤ d ≤ 4O (dN2)HAI ( dN⋅ log( N) )2 ≤ d≤ 4waktu berjalan yang diamati umumnya lebih lama dari metode pengurangan dimensi lainnya. Hasilnya seringkali lebih dapat ditafsirkan secara visual daripada analisis eigen naif, dan tergantung pada distribusinya, seringkali lebih intuitif daripada hasil MDS, yang cenderung melestarikan struktur global dengan mengorbankan struktur lokal yang dipertahankan oleh t-SNE.
MDS sudah merupakan penyederhanaan kernel PCA, dan harus dapat diperluas dengan kernel alternatif, sementara kernel t-SNE dijelaskan dalam pekerjaan oleh Gilbrecht, Hammer, Schulz, Mokbel, Lueks et al. Saya tidak terbiasa dengan hal itu, tetapi mungkin responden lain mungkin.
Saya cenderung memilih antara MDS dan t-SNE berdasarkan tujuan kontekstual. Mana pun yang menjelaskan struktur yang ingin saya sorot, struktur mana pun yang memiliki kekuatan penjelas yang lebih besar, itulah algoritma yang saya gunakan. Ini dapat dianggap jebakan, karena merupakan bentuk derajat kebebasan peneliti. Tetapi kebebasan yang digunakan dengan bijak bukanlah hal yang buruk.