聚类分析和多重对应分析（MCA）

1.聚类通过把目标数据放入少数相对同源的组或“类”(cluster)里。分析表达数据。

(1)通过一系列的检测将待测的一组基因的变异标准化，然后成对比较线性协方差。

(2)通过把用最紧密关联的谱来放基因进行样本聚类，例如用简单的层级聚类(hierarchical clustering)方法。这种聚类亦可扩展到每个实验样本，利用一组基因总的线性相关进行聚类。

(3)多维等级分析(multidimensional scaling analysis,MDS)是一种在二维Euclidean “距离”中显示实验样本相关的大约程度。

(4)K-means方法聚类，通过重复再分配类成员来使“类”内分散度最小化的方法。

2.多重对应分析是同性质分析，以图形化方式展示多个分类变量间的关系。

多重对应分析（MCA）和聚类分析是两种不同的多元数据分析方法。

多重对应分析是一种基于主成分分析（PCA）的方法，用于对多个分类变量（qualitative variable）之间的关系进行分析，主要是对分类变量进行编码（例如二进制编码或哑变量编码）并转化为连续变量，然后通过PCA降维分析得到新的变量，最终得到多个分类变量之间的相关性信息。MCA可以帮助我们理解分类变量之间的相互关系，以及将它们转化为连续变量用于后续的分析。

聚类分析则是一种无监督的数据分析方法，用于将样本或者变量划分为相似的群体。聚类分析主要有两种方法，一种是层次聚类（hierarchical clustering），另一种是非层次聚类（non-hierarchical clustering），其中层次聚类又分为凝聚层次聚类和分裂层次聚类。聚类分析可以帮助我们识别相似的样本或者变量，并且可以用于后续的生物信息学分析。

综上所述，MCA和聚类分析都是多元数据分析方法，但是它们的目的和方法是不同的。MCA主要是用于分析分类变量之间的相互关系，而聚类分析则是用于将样本或变量划分为相似的群体。在实际应用中，可以根据需要选择合适的分析方法来解决具体问题。

聚类分析更倾向于对同一类的同性分析