这是 PCA 是否适合比较面板数据子集的后续问题？.

事实证明，是的，PCA 是合适的。但是还有许多其他方法可以将 n 维数据减少到可以可视化的 1-3 维，而且我在获取可用技术集的全局视图时遇到了麻烦。例如，在这个问题和这个问题中提到了几个。后一个问题与 Wikipedia 上的Nonlinear Dimensionality Reduction有链接，该链接相对全面，甚至是百科全书，用于 Wikipedia 关于技术主题的文章。但它仍然是维基百科，我想把所有东西都放在一个地方。编辑：今天也有这个问题。

是否有关于降维的比较全面的参考资料？例如，我真的很想解释为什么“基于流形的”方法（例如 ISOMAP）与基于距离的方法（例如经典 MDS）不同或更好。理想情况下，它还将包括对不同距离度量的一些处理。最终，我试图掌握每种技术旨在回答的问题类型。

显然，这可能是一个比我意识到的更大的主题。我知道，例如，自组织地图是一种神经网络，而神经网络在“幕后”与多维缩放完全不同。我希望存在一个参考或一组参考，不需要我知道每种方法的血淋淋的底层细节。学习所有关于统计的知识是一个漫长的过程，我还没有完全到那里（尽管我取得了很好的进展，部分归功于这个网站）。