直接用sklearn.tsne默认参数常导致聚类结构丢失或点堆叠，主因是perplexity和learning_rate设置不当；perplexity应依数据规模在5–50间调优，小数据选低值（如10、20），learning_rate建议设为200–1000并配init='pca'和n_iter≥1000。
直接用 sklearn.manifold.TSNE 降维后画散点图就行，但默认参数常导致聚类结构丢失或点堆叠——关键不是“能不能画”，而是“怎么调参才能让簇间距和内部紧致性都可读”。
为什么直接跑 TSNE 常常看不出聚类？
T-SNE 对超参数极度敏感，尤其 perplexity 和 learning_rate。小数据（perplexity=30 容易抹平簇间差异；大数据（>10000）则容易因学习率不足导致点坍缩成几团。
-
perplexity实际控制的是每个点考虑多少个邻居：值太小（如5）只看最近邻，噪声放大；太大（如100）会把不同簇拉到一起 -
learning_rate不是越大学习越快：过大会让点震荡飞散，过小则卡在局部极小——建议从200起试，大数据可提到500–1000 - 必须设
init='pca'：否则随机初始化极易陷入坏解，尤其高维（>50维）时
如何让不同簇在二维图上真正“分开”？
靠调整 early_exaggeration 和迭代次数，而不是盲目调 perplexity。
Python 3.14.2
下载
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
- 先设
early_exaggeration=12.0（默认4.0），它会让初始阶段簇间斥力变大，强制拉开距离 -
n_iter=1000起步，观察kl_divergence_是否收敛（降到1.5以下较稳） - 如果某两个簇还是粘连，单独提高它们的样本权重没用——改用
metric='euclidean'（别用余弦，T-SNE 内部对距离敏感）
示例：
tsne = TSNE(
n_components=2,
perplexity=30,
learning_rate=500,
early_exaggeration=12.0,
n_iter=1000,
init='pca',
random_state=42,
metric='euclidean'
)
可视化时最常踩的三个坑
降维完不检查结果质量就画图，等于白跑。
- 画图前先打印
tsne.kl_divergence_：>3.0 说明没收敛，图不可信 - 别直接用
plt.scatter(X_tsne[:, 0], X_tsne[:, 1])：X_tsne 是 float64，若含 NaN 或 inf，matplotlib 会静默失败——加一句np.isfinite(X_tsne).all()校验 - 颜色映射别用
c=labels就完事：若labels是字符串（如 'cluster_A'），需先用LabelEncoder转整数，否则 matplotlib 报TypeError: c must be a single color or sequence of colors
真正难的不是跑通代码，而是理解 perplexity 在你数据上的物理意义——它约等于“你期望每个点周围有几个同类邻居”。拿不准时，用 perplexity=[5, 15, 30, 50] 批量跑四次，肉眼比对哪张图里簇的分离度和大小比例最符合你的领域直觉。
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！
