版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_21768483/article/details/82425229
简介
多维缩放（Mutiple Dimensional Scaling）是一种经典的降维方法，可以缓解在高维情形下出现的数据样本稀疏和距离计算困难等问题，即“维数灾难”.
感性认知
只是直观是这样的感觉真实的计算需要查看原理部分
原本样本的维数
| 样本 | 特征1 | 特征2 | 特征3 | 特征4 |
| A | 1 | 0 | 2 | 3 |
| B | 2 | 0 | 4 | 8 |
| C | 4 | 0 | 5 | 9 |
距离矩阵
| 样本 | A | B | C |
| A | 0 | 2-1+4-2+8-3=8 | 4-1+5-2+7-3=10 |
| B | 8 | 0 | 4-2+5-4+9-8=4 |
| C | 10 | 4 | 0 |
经过多维缩放（MDS）之后特征（直观示例）
| 样本 | 特征1 | 特征3 | 特征4 |
| A | 1 | 2 | 3 |
| B | 2 | 4 | 8 |
| C | 4 | 5 | 9 |
降维后的距离矩阵
| 样本 | A | B | C |
| A | 0 | 2-1+4-2+8-3=8 | 4-1+5-2+7-3=10 |
| B | 8 | 0 | 4-2+5-4+9-8=4 |
| C | 10 | 4 | 0 |
降维后仍然使距离矩阵不变