PCA 通过对 N 个数据点本身的特征分析来选择有影响的维度，而 MDS 通过对 N 个数据点的特征分析来选择有影响的维度。$N^2$成对距离矩阵的数据点。这具有突出分布均匀性偏差的效果。考虑到距离矩阵类似于应力张量，MDS 可以被视为“力导向”布局算法，其执行复杂度为$\mathcal O(dN^a)$在哪里$3 < a \leq 4$.

另一方面，t-SNE 使用场近似来执行某种不同形式的力导向布局，通常通过 Barnes-Hut 减少$\mathcal O(dN^2)$基于梯度的复杂度$\mathcal O(dN\cdot \log(N))$，但是对于这种迭代随机逼近方法（据我所知）的收敛性不太了解，并且对于$2 \leq d \leq 4$典型的观察到的运行时间通常比其他降维方法长。结果通常比朴素特征分析更具视觉解释性，并且取决于分布，通常比 MDS 结果更直观，后者倾向于以牺牲 t-SNE 保留的局部结构为代价来保留全局结构。

MDS 已经是内核 PCA 的简化，并且应该可以使用替代内核进行扩展，而 Gilbrecht、Hammer、Schulz、Mokbel、Lueks 等人在工作中描述了内核 t-SNE。我实际上并不熟悉它，但也许另一位受访者可能是。

我倾向于根据上下文目标在 MDS 和 t-SNE 之间进行选择。无论哪一个阐明了我有兴趣强调的结构，无论哪个结构具有更大的解释力，这就是我使用的算法。这可以被认为是一个陷阱，因为它是研究人员自由度的一种形式。但是明智地使用自由并不是一件坏事。