JMP 17.2 > 复杂数据降维与估计 > 方法大家好，JMP 社区，
我正在处理来自不同研究的复杂基因表达数据，希望估算其内在复杂性。我偶然发现了 R 包 Rdimtools，它似乎提供了我感兴趣的分析类型。具体来说，这些分析的最终目标是定义最佳维度数，以捕捉数据集的复杂性。
您是否知道 JMP 中有哪些方法（本机或插件）可以满足我的需求？
谢谢。
此致，
TS
自动化和脚本数据探索与可视化视窗回复：JMP 17.2 > 复杂数据降维与估计 > 方法你好@Thierry_S ，
由于 Rdimtools 包含的方法数量巨大，我只是简单阅读了一下它的文档。我认为大多数常见的降维技术都可以在 JMP/JMP Pro 的多元平台上使用：
- 主成分：基于变量间相关性或协方差的线性降维技术。数据被线性变换到一个新的坐标系中，使得方向（主成分）能够捕捉数据中最大的变化。
- 多元嵌入：非线性降维技术，能够同时尊重数据的局部邻域和全局结构。在此平台中，您可以使用 UMAP（均匀流形近似和投影）或 t-SNE 方法。
- 因子分析：线性降维技术，试图用较少数量的（不可观察的）潜在变量或因子来描述观察到的变量。
其他平台的一些有趣用途也可以帮助您：
- 在层次聚类中，您可以实现双向聚类，它不仅可以对行（观测值，就像任何聚类技术一样）进行聚类，还可以对列（变量）进行聚类。在此平台中，您可以导出距离矩阵，然后将其用于其他平台，例如多维尺度分析。
- 我从未使用过遗传学工具，但既然您提到基因表达是该工作项目的一部分，那么一些专用工具可能会有所帮助。
希望这第一个答案能对你有所帮助，
回复：JMP 17.2 > 复杂数据降维与估计 > 方法也不要忘记 JMP 中的多维尺度 (MDS)。
你打算如何利用这些复杂性和降维的知识？基因分组的分类？样本分组？预测？对基因和/或样本进行分类，以进一步解释可能的功能关系？
每种降维方法都有其优缺点。有些方法更擅长处理数据中的某些特定结构，或者比其他方法更有助于理解数据的结构类型（或者下一步将如何处理数据）。
