PCA, N डेटा के eigenanalysis द्वारा प्रभावशाली आयामों का चयन करता है, जबकि MDS एक जोड़ीदार दूरी मैट्रिक्स के डेटा बिंदुओं के eigenanalysis द्वारा प्रभावशाली आयामों का चयन करता है । यह वितरण में एकरूपता से विचलन को उजागर करने का प्रभाव है। दूरी मैट्रिक्स को तनाव टेंसर के अनुरूप मानते हुए, एमडीएस को "बल-निर्देशित" लेआउट एल्गोरिथ्म माना जा सकता है, जिसका निष्पादन जटिलता जहां । एन2ओ (डी)एनए)3 < एक ≤ 4
टी-एसएनई, दूसरी तरफ, बल-निर्देशित लेआउट के कुछ अलग रूप को अंजाम देने के लिए एक फ़ील्ड सन्निकटन का उपयोग करता है, आमतौर पर बार्न्स-हट के माध्यम से जो एक ग्रेड-आधारित जटिलता को घटाता है to , लेकिन अभिसरण गुण इस पुनरावृत्त स्टोकेस्टिक सन्निकटन विधि (मेरे ज्ञान के सर्वोत्तम) के लिए कम अच्छी तरह से समझे जाते हैं, और लिए ठेठ मनाया गया रन-टाइम आम तौर पर होता है अन्य आयाम-घटाने के तरीकों की तुलना में लंबे समय तक। परिणाम अक्सर भोले eigenanalysis की तुलना में अधिक स्पष्ट रूप से व्याख्या करने योग्य होते हैं, और वितरण के आधार पर, अक्सर एमडीएस परिणामों की तुलना में अधिक सहज होते हैं, जो कि टी-एसएनई द्वारा बनाए गए स्थानीय संरचना की कीमत पर वैश्विक संरचना को संरक्षित करते हैं।ओ (डी)एन2)ओ (डी)एन⋅ लॉग( एन) )2 ≤ डी≤ ४
एमडीएस पहले से ही कर्नेल पीसीए का एक सरलीकरण है, और वैकल्पिक कर्नेल के साथ एक्स्टेंसिबल होना चाहिए, जबकि कर्नेल टी-एसएनई को गिलब्रेक्ट, हैमर, शुल्ज, मोकोबेल, ल्युक्स अल अल द्वारा काम में वर्णित किया गया है। मैं व्यावहारिक रूप से इससे परिचित नहीं हूं, लेकिन शायद एक और प्रतिवादी हो सकता है।
मैं संदर्भ लक्ष्य के आधार पर एमडीएस और टी-एसएनई के बीच चयन करता हूं। जो भी उस संरचना को स्पष्ट करता है जिसे मैं हाइलाइट करने में दिलचस्पी रखता हूं, जो भी संरचना में अधिक से अधिक व्याख्यात्मक शक्ति है, वह है एल्गोरिथ्म जिसका मैं उपयोग करता हूं। इसे एक ख़तरा माना जा सकता है, क्योंकि यह शोधकर्ता की स्वतंत्रता का एक रूप है। लेकिन बुद्धिमानी से इस्तेमाल की गई आजादी इतनी बुरी चीज नहीं है।