t-sne结果每次不同是因算法随机性所致，需固定random_state（如42）才能复现；它无transform方法，仅支持fit_transform；perplexity宜设5–50，依样本量调整；点聚集或分散多因learning_rate过高或init不当，推荐learning_rate=10~50、init='pca'。
为什么t-SNE结果每次运行都不一样
t-SNE本身是随机算法，random_state未固定时，初始化点位置、梯度下降路径都会变化，导致嵌入坐标完全不同。这不是bug，而是设计使然。必须显式设置random_state才能复现结果。
实操建议：
- 始终传入
random_state=42（或任意整数） - 避免依赖默认
random_state=None，它每次调用都生成新种子 - 若需对比不同参数效果，保持
random_state一致，否则无法判断差异来自参数还是随机性
fit_transform()和fit().transform()有区别吗
对t-SNE来说，fit_transform()是唯一推荐方式；fit().transform()在scikit-learn中根本不可用——TSNE类没有transform()方法。
常见错误现象：AttributeError: 'TSNE' object has no attribute 'transform'
原因：t-SNE不是线性变换模型，不支持“先拟合再映射新样本”。它是一次性全量优化过程，无法泛化到未见过的数据。
使用场景限制：
- 仅适用于探索性分析、可视化已有数据集
- 不能用于训练/测试分离场景下的测试集降维
- 如需可复用的降维器，改用
PCA或UMAP
perplexity设多少才合理
perplexity本质是控制邻域大小的平滑参数，不是越大越好，也不是越小越细。它影响局部结构与全局结构的权衡。
典型取值范围是5–50，具体取决于样本量：
- 小数据集（
- 中等数据（1k–10k）：20–30较稳妥
- 大数据（>10k）：可尝试30–50，但超过50易模糊局部簇
性能影响：perplexity越高，计算复杂度呈近似O(n²)，10k样本+perplexity=100可能卡住；建议先用n_iter=250快速试跑，再调高迭代次数。
为什么降维后点挤成一团或全散开
这通常不是数据问题，而是learning_rate和init配合不当。t-SNE对学习率敏感，尤其在高维稀疏数据上。
容易踩的坑：
- 默认
learning_rate=200在多数现代数据集上偏高，易发散 → 改为learning_rate=10~50 - 用
init='pca'（默认）比'random'稳定得多，尤其当原始维度>50时 - 若仍发散，加
early_exaggeration=12.0帮助初始聚类，再逐步退火
简短示例：
from sklearn.manifold import TSNE
tsne = TSNE(
n_components=2,
perplexity=30,
learning_rate=20,
init='pca',
random_state=42,
n_iter=1000
)
X_2d = tsne.fit_transform(X) # 注意：只能用这一行
真正麻烦的是高维稀疏特征（比如TF-IDF），t-SNE会默默忽略大量零值带来的距离信息——这种情况下，先用PCA降到50维再喂给t-SNE，往往比直接扔进去更靠谱。
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！
