pca适合预处理、大样本、需可解释性的场景；t-sne只该用在中小规模数据的高维可视化，专注保留局部结构，但计算开销大、不可解释、不适用于下游建模。
选错降维算法，可视化结果就是一锅粥——PCA压根看不出聚类，t-SNE跑半小时还崩内存。直接说结论：PCA适合预处理、大样本、需可解释性的场景；t-SNE只该用在中小规模数据（
什么时候必须用 PCA，而不是 t-SNE
当你需要把降维结果喂给下游模型（比如训练SVM或RandomForest），或者数据量超过 5 万行，或者你得解释“第一主成分代表什么”，那就没得选，只能用 PCA。
-
PCA是线性变换，输出维度和输入有明确数学关系，pca.components_能反推原始特征权重 -
t-SNE不保存映射函数，fit_transform后无法对新样本做transform——它天生不是为部署设计的 - 用
PCA降维后再标准化，常比直接标准化更稳定；而t-SNE对输入缩放极度敏感，必须先用StandardScaler或MinMaxScaler - 当
n_components设为0.95这类浮点数时，PCA自动选能保留95%方差的最少主成分数，t-SNE根本不支持这种参数
t-SNE 的三个致命参数陷阱
t-SNE不是调参越细越好，而是几个参数稍偏就会让图失真到无法解读。最常踩坑的是这三个：
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
-
perplexity：本质是控制“每个点看多少邻居”。取值 5–50 合理，但perplexity=5会让图碎成小团，perplexity=50则可能把不同类别强行拉近——建议从 30 开始试，再按数据密度微调 -
n_iter：默认 1000 太少，常导致未收敛。观察tsne.kl_divergence_值，若最后几百次迭代还在大幅波动，就得加到 2000+；但超过 5000 可能过拟合局部结构 -
learning_rate：不是越大越好。太小（如 10）收敛慢且易陷局部极小；太大（如 1000）会导致点群炸开。scikit-learn 0.24+ 默认启用learning_rate='auto'，比硬写数字更稳
为什么 PCA 结果一团糊，但 t-SNE 却能分清类别？
这不是算法好坏问题，而是它们根本在解决不同任务。如果PCA散点图里三类样本严重重叠，大概率说明：原始特征本身缺乏线性判别力，或者类别边界是非线性的。
-
PCA最大化全局方差，但类别分离靠的是类间距离与类内距离之比——方差大 ≠ 可分性强 -
t-SNE刻意忽略全局距离，只保邻域相似性，所以哪怕两类中心很近，只要各自内部紧密，它也能强行撑开 - 真实项目中常见操作：先用
PCA降到 50 维（去噪+加速），再把这 50 维输进t-SNE——既避开高维计算爆炸，又避免原始噪声干扰局部结构学习 - 注意：
t-SNE每次运行结果都不同（随机初始化），务必固定random_state做可复现对比；PCA确定性高，但svd_solver='randomized'时也会引入微小随机性
真正容易被忽略的点是：t-SNE的“好看”是有代价的——它不保留距离、不保留密度、不能外推。一张漂亮的 t-SNE 图，说服力远不如 PCA 载荷图上某主成分与生物标记物的强相关系数。别让视觉效果绑架判断。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
