外觀
Machine Learning › 非監督式學習 › 降維 › t-SNE
t-SNE (t-Distributed Stochastic Neighbor Embedding)
把高維資料嵌入 2 或 3 維,盡量讓原本相近的點在圖上仍然相近。擅長呈現群結構,是單細胞、影像 embedding 的經典視覺化工具。它是視覺化工具,不是一般的特徵轉換方法。
| 原理 | 說明 |
|---|---|
| 高維相似度 | 每個點周圍用高斯分配定義鄰居機率;perplexity 決定有效鄰居數 |
| 低維相似度 | 用自由度 1 的 t 分配(重尾),讓不相似的點能被推遠 |
| 最佳化 | 最小化兩組機率的 KL divergence |
perplexity 的影響

| perplexity | 效果 |
|---|---|
| 小(5) | 只看很近的鄰居 → 群被切碎成小團 |
| 中(30,預設) | 通常較平衡 |
| 大(100) | 看更大範圍 → 群較完整,但細節可能被抹平 |
常用範圍 5–50,必須小於樣本數。換一組參數,圖可能看起來完全不同,不要只看一張圖就下結論。
用法
python
from sklearn.datasets import load_digits
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from sklearn.preprocessing import StandardScaler
X, y = load_digits(return_X_y=True)
X_scaled = StandardScaler().fit_transform(X)
# 高維資料常先 PCA 到 30–50 維:降噪 + 加速
X_pca = PCA(n_components=30).fit_transform(X_scaled)
emb = TSNE(n_components=2, perplexity=30, init="pca", learning_rate="auto",
max_iter=1000, random_state=0).fit_transform(X_pca)
# 依 y 上色畫散佈圖sklearn 版本差異:1.2 起
init預設"pca"、learning_rate預設"auto";1.5 起n_iter改名為max_iter。舊教學的n_iter=在新版會報錯或警告。
怎麼讀 t-SNE 圖
| 可以讀 | 不能讀 |
|---|---|
| 哪些點是鄰居、有沒有群 | 群的大小:t-SNE 會擴張密集的群、壓縮稀疏的群 |
| 某個標籤是否混在其他群裡 | 群之間的距離:兩群相距遠不代表比較不相似 |
| — | 軸的意義:座標沒有單位與方向 |
| — | 群的形狀:隨機的形狀也可能看起來有結構 |
限制
| 限制 | 說明 |
|---|---|
沒有 transform | 新資料不能投影到既有的 t-SNE 圖上,只能整批重跑 |
| 慢 | O(n log n)(Barnes-Hut),數十萬點要很久 → 用 openTSNE 或 UMAP |
| 隨機性 | 不同 random_state 結果不同 |
| 不適合當模型特徵 | 不保留全域結構,且無法套用到新資料 |
| 可能「看出」不存在的群 | 搭配 分群 與穩定性檢查,不要只靠眼睛 |
和 PCA、UMAP 的比較見 降維。