T – 分布随机近邻嵌入是一种用于降维的机器学习方法，可被用于识别关联模式，其主要优势是保持局部结构。这意味着高维数据空间中，距离相近的点投影至低维中仍然相近。
T-SNE 特点
低维空间下，使用更重长尾分布的 t 分布可避免 Crowding 问题和优化问题。
T-SNE 梯度优势
- 对于不相似的点，用较小的距离产生较大的梯度来让点之间产生排斥；
- 这种排斥不会无限大 ，以避免不相似的点距离太远。
T-SNE 不足
- T-SNE 主要用于可视化，因此在其他方面表现不佳，如测试集合降维中，由于没有显式的预估部分，故不能在测试集合直接降维；
- T-SNE 倾向于保存局部特征，对于本征维数较高的数据集，不可能完整的映射到 2-3 维空间；
- T-SNE 没有唯一最优解及预估部分，要做预估需考虑降维之后，再构建一个回归方程之类的模型；
- 训练太慢，较多基于树的算法在 T-SNE 上做改进。
相关词：T -分布