TSNE概念部分參考：http://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/#0x02-%E4%BB%8Esne%E8%AF%B4%E8%B5%B7
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)
參數：
n_components：int，可選（預設值：2）嵌入式空間的次元。
perplexity：浮點型，可選（預設：30）較大的資料集通常需要更大的perplexity。考慮選擇一個介于5和50之間的值。由于t-SNE對這個參數非常不敏感，是以選擇并不是非常重要。
early_exaggeration：float，可選（預設值：4.0）這個參數的選擇不是非常重要。
learning_rate：float，可選（預設值：1000）學習率可以是一個關鍵參數。它應該在100到1000之間。如果在初始優化期間成本函數增加，則早期誇大因子或學習率可能太高。如果成本函數陷入局部最小的最小值，則學習速率有時會有所幫助。
n_iter：int，可選（預設值：1000）優化的最大疊代次數。至少應該200。
n_iter_without_progress：int，可選（預設值：300，必須是50倍數）在我們中止優化之前，沒有進展的最大疊代次數。
0.17新版功能：參數n_iter_without_progress控制停止條件。
min_grad_norm：float，可選（預設值：1E-7）如果梯度範數低于此門檻值，則優化将被中止。
metric：字元串或可疊代的，可選，計算特征數組中執行個體之間的距離時使用的度量。如果度量标準是字元串，則它必須是scipy.spatial.distance.pdist為其度量标準參數所允許的選項之一，或者是成對列出的度量标準.PAIRWISE_DISTANCE_FUNCTIONS。如果度量是“預先計算的”，則X被假定為距離矩陣。或者，如果度量标準是可調用函數，則會在每對執行個體（行）上調用它，并記錄結果值。可調用應該從X中擷取兩個數組作為輸入，并傳回一個表示它們之間距離的值。預設值是“euclidean”，它被解釋為歐氏距離的平方。
init：字元串，可選（預設值：“random”）嵌入的初始化。可能的選項是“随機”和“pca”。 PCA初始化不能用于預先計算的距離，并且通常比随機初始化更全局穩定。
random_state：int或RandomState執行個體或None（預設）
僞随機數發生器種子控制。如果沒有，請使用numpy.random單例。請注意，不同的初始化可能會導緻成本函數的不同局部最小值。
method：字元串（預設：'barnes_hut'）
預設情況下，梯度計算算法使用在O（NlogN）時間内運作的Barnes-Hut近似值。 method ='exact'将運作在O（N ^ 2）時間内較慢但精确的算法上。當最近鄰的誤差需要好于3％時，應該使用精确的算法。但是，确切的方法無法擴充到數百萬個示例。0.17新版功能：通過Barnes-Hut近似優化方法。
angle：float（預設值：0.5）
僅當method ='barnes_hut'時才使用這是Barnes-Hut T-SNE的速度和準确性之間的折衷。 'angle'是從一個點測量的遠端節點的角度大小（在[3]中稱為theta）。如果此大小低于'角度'，則将其用作其中包含的所有點的彙總節點。該方法對0.2-0.8範圍内該參數的變化不太敏感。小于0.2的角度會迅速增加計算時間和角度，是以0.8會快速增加誤差。
| attributes | description |
|---|---|
| embedding_ | 嵌入向量 |
| kl_divergence | 最後的 KL 散度 |
| n_iter_ | 疊代的次數 |
| Methods | description |
|---|---|
| fit | 将 X 投影到一個嵌入空間 |
| fit_transform | 将 X 投影到一個嵌入空間并傳回轉換結果 |
| get_params | 擷取 t-SNE 的參數 |
| set_params | 設定 t-SNE 的參數 |
from sklearn.manifold import TSNE
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
iris = load_iris()
iris_data = iris.data
iris_target = iris.target
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
data_std = sc.fit_transform(iris_data)
tsne = TSNE(n_components=2, learning_rate=100)
tsne.fit_transform(data_std)
array([[-22.37778 , -14.470559 ],
[-19.074526 , -12.40457 ],
[-19.71702 , -13.648663 ], [ 10.526178 , 6.301651 ],
[ 12.626265 , 4.926107 ],
[ 6.4893355 , 8.0801115 ]], dtype=float32) import numpy as np
data = np.array(tsne.embedding_)
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
data_pca = pca.fit_transform(data_std)
plt.scatter(data_pca[:,0], data_pca[:,1], c=iris_target)
plt.show()
