Question

1. TSNE类是scikit-learn提供的t-SNE模型，其原型为：

   
   xxxxxxxxxx
   class sklearn.manifold.TSNE(n_components=2, perplexity=30.0, 
   early_exaggeration=12.0, learning_rate=200.0, n_iter=1000, 
   n_iter_without_progress=300, min_grad_norm=1e-07, metric='euclidean', init='random',
   verbose=0, random_state=None, method=’barnes_hut’, angle=0.5)

   • n_components：一个整数，指定低维空间的维度。

   • perplexity：一个浮点数，指定了困惑度。该参数影响的是：对每个点，考虑其周围多少个邻居点。

     • 其取值范围通常在5~50 之间。
     • 对于较大的数据集，该参数通常较大。
     • t-SNE 对于该参数不是特别敏感，因此该参数不是特别重要。

   • early_exaggeration：一个浮点数，指定了早期对 $ MathJax-Element-33 $ 放大的倍数。

     • 如果该数值较大，则相当于将高维空间中的点执行压缩。
     • t-SNE 对于该参数不是特别敏感，因此该参数不是特别重要。

   • learning_rate ：一个浮点数，指定学习率。通常范围是在[10.0,1000.0] 。

     • 如果学习率过高，则降维之后的数据就像一个球体，每个点与它最近邻点的距离都几乎相等。
     • 如果学习率过低，则降维之后的数据看起来像是一个密集的压缩云，以及云外少量的异常点。
     • 如果代价函数陷入了局部极小值，则增加学习率会有帮助。

   • n_iter：一个整数，指定最大的迭代次数。

   • n_iter_without_progress：一个整数，在结束优化之前的、不在进度之内的最大迭代次数。主要用于初始化时的 early_exaggeration 。

   • min_grad_norm：一个浮点数，指定梯度的阈值。如果梯度小于该阈值，则优化过程停止。

   • metric：一个字符串或者可调用对象，指定距离的度量函数。

     • 如果是字符串，则它必须匹配 scipy.spatial.distance.pdist 的 metric 参数。
     • 如果是字符串'precomputed'，则 X 必须是一个距离矩阵。
     • 如果是可调用对象，则它传入一对样本点返回一个距离值。

   • init：一个字符串或者numpy array，指定初始化策略。

     • 'random'：使用随机初始化。
     • 'pca'：使用PCA 初始化。它通常会更健壮。
     • 或者是一个形状为(n_samples,n_componets) 的array：直接初始化。

   • verbose：一个整数，指定日志输出的级别。

   • random_state ： 一个整数或者一个RandomState实例，或者None。指定随机数种子。

   • method：一个字符串，指定梯度计算策略。

     • 'barnes_ht'：使用Barnes-Hut 近似算法，它计算梯度的近似值，计算复杂度为 $ MathJax-Element-34 $ 。
     • 'exact'：计算梯度的精确值，计算复杂度为 $ MathJax-Element-35 $ 。

   • angle：一个浮点数，用于method='barnes_ht' ，用于平衡速度和准确率。

     该参数在0.2-0.8 之间变化时，t-SNE 的结果不会发生太大的变化。

     • 如果该参数小于0.2，则计算时间会迅速增长。
     • 如果该参数大于0.8，则计算误差会迅速增长。

2. 属性：

   • embedding_：一个形状为(n_samples,n_components) 的数组，给出了数据集在低维空间的表示。
   • kl_divergence_：一个浮点数，给出了优化后的KL 散度。
   • n_iter_：一个整数，给出了执行的迭代次数。

3. 方法：

   • fit(X[, y])：训练模型。
   • fit_transform(X[, y])：训练模型，并返回训练数据集在低维空间中的表示。