原文地址：
https://www.cnblogs.com/LuckBelongsToStrugglingMan/p/14161405.html
转者前言：
该文相当于一个 t-SNE 使用指南，写的很好很有知识量。经常在CCF指定的国际A会A刊的论文上看到有论文通过比较两个神经网络最好的t-sne图来比较这两个算法的好坏，由于自己硕士研究生期间已经过机器学习数据可视化领域的技术对这个领域有所了解，这种可视化通俗的来说只是一种数据关系的抽象显示，一般都是关注局部数据特征关系或者再关注一些全局数据关系特点罢了，是难以用这个图来显示不同种算法得到的哪种数据的发布更好，近期实验室学术讨论上大陆博士也在用这种两个算法的t-SNE图来比较两个算法的好坏，这直接激发了实锤这个可视化算法具体用处的想法，因此就有了在网上看到这个博文的指南性说明，感觉博文写的不错，这里转载以作记录之用。
=======================
原文如下：
简短的速记t-SNE的作用，我是阅读了原文和一些博文才敢记录的
原文：Accelerating t-SNE using Tree-Based Algorithms
博文：
https://distill.pub/2016/misread-tsne/;
https://www.deeplearn.me/2137.html;
https://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/；
http://bindog.github.io/blog/2018/07/31/t-sne-tips/
强烈建议阅读PPT：作者怒号：不要瞎用我的t-SNE！
Do's and Don'ts of using t-SNE to Understand Vision Models
=========================
t-SNE：学生t分布随机紧邻映射
目的是将高维的特征向量用低维(2维、3维)点可视化。
数学描述为：将高维特征向量的相似性用概率分布表示，此概率分布密度由高维向量的欧式距离决定，但不是正比关系，因为自己与自己的相似性为1但是条件概率为0；基于这个概率分布，在低维空间中找两个点构成低维空间的概率分布，通过梯度下降优化以上两个高维、低维空间概率分布的KL散度，可以求得低维空间上的两个点之间的关系。
简言之，高维空间上相似的两个向量在低维空间上的对应点更靠近。
注意：
1. t-SNE可视化关键作用在于将相似的特征聚集起来，仅此而已，即不相似的特征分开，相似的特征聚集，也就说尽量不存在不相似的特征重叠！！！
2. t-SNE可视化中任何两蔟集群的【间距都是没有任何意义的】，因为集群之间的距离并不能反映特征的不相似性和相似性！有很多论文都用错了这一点，特别注意，即便所有的超参都设置相同，随机两次的相同实验也不太可能得到相同的集群情况，因为t-SNE是在解决一个非凸优问题！
3. t-SNE可视化中一簇集群的聚集程度【可能也是没有意义的】，注意是可能！还是那么说，t-SNE的聚集程度都是可以通过不同的调参调出来的
4. t-SNE可视化的聚集与分离不能给出模型分类好坏的结论；但是可以作为要处理的数据集是否可被良好分类的引导和启发后面研究的先验
5. 再次重申，t-SNE可视化发现类间不混叠才是他的主要用途，而不同集群的距离和同一集群的聚集程度都没有意义
=========================