NMDS

NMDS 只保留样本间距离的「排名」：图上点越近，按所选距离越相似；坐标轴没有方差解释比例，坐标整体缩放到与原始相异度相同的量级（stress 不受缩放影响）。

Kruskal stress 衡量图与原始距离排名的吻合程度：< 0.05 极好，< 0.1 好，< 0.2 尚可，≥ 0.2 解读需谨慎（Clarke 1993 的经验划分）。

Shepard 图横轴为原始相异度、纵轴为排序距离，红线为单调回归；点越贴近红线，stress 越低。

NMDS 是迭代算法，结果取决于起点：本工具从 PCoA 坐标和多个随机起点出发（种子固定，可重复），保留 stress 最低的解，并给出达到该 stress 的起点数——数量越多，越可能是全局最优。

计算量较大，改参数后请点「运行」。椭圆只描述组内离散，组间差异请用 PERMANOVA / ANOSIM 检验。

方法说明

Kruskal J. B. (1964) Psychometrika 29:1–27 与 115–129；de Leeuw (1977) SMACOF；Clarke (1993) Aust J Ecol 18:117–143。stress-1 采用主方法处理相同相异度，可由 Shepard 数据独立复算；与 scikit-learn 非度量 MDS 的差异来自随机起点，本工具在示例数据上的 stress 不高于其多起点结果 + 0.01。

数据量

最多 1,500 个样本（数百个样本需数秒到数十秒）。