sklearn.manifold.TSNE 实现 t-SNE降维和可视化

t-SNE 可以将高维数据进行降维，同时实现可视化，它将数据点之间的相似性转化为联合概率，并试图最小化低维嵌入和高维数据联合概率之间的Kullback-Leibler差异。t-SNE有一个非凸的代价函数，即通过不同的初始化，我们可以得到不同的结果。强烈建议使用另一种降维方法(如密集数据的PCA或稀疏数据的集群svd)来减少维数到一个合理的数量，如果特征的数量非常高。这将抑制一些噪声，加快样本间成对距离的计算。 t-SNE是目前来说效果最好的数据降维与可视化方法，当我们想要对高维数据进行分类，又不清楚这个数据集有没有很好的可分性（即同类之间间隔小，异类之间间隔大），可以通过t-SNE投影到2维或者3维的空间中观察一下。如果在低维空间中具有可分性，则数据是可分的；如果在高维空间中不具有可分性，可能是数据不可分，也可能仅仅是因为不能投影到低维空间。t-SNE（TSNE）的原理是将数据点之间的相似度转换为概率。原始空间中的相似度由高斯联合概率表示，嵌入空间的相似度由“学生t分布”表示。

from sklearn.manifold import TSNE
tsne = TSNE(perplexity=30, n_components=2, init='pca', n_iter=5000)

在低维空间下，使用更加偏重长尾分布的方式将距离转换为概率分布，使得中高维度下中低等的举例在映射后能够有较大的距离。

推荐修改参数如下：

n_components: int, 可视化的维度, 2

init='pca'

perplexity: float,30.影响比较大，建议5-50之间，大型数据集需要使用较大的数值。 early_exaggeration: float, 12.0， 不是关键参数，若损失函数在初始优化的时候提高了，则需降低该值 

n_iter=5000

learning_rate: float, 200.0， 通常取值10 - 1000. 如果损失函数困在较差的局部最小值，提高该值。

 参考链接：https://blog.csdn.net/sinat_20177327/article/details/80298645?ops_request_misc=&request_id=&biz_id=102&utm_term=t-SNE&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-80298645.nonecase&spm=1018.2226.3001.4187