高维数据可视化

tsne

• n_components 维数 (default: 2)
• perplexity 邻居个数(default: 30) 2~50
• early_exaggeration (default: 12) 控制原始空间中集群在低维空间中的紧密程度
• learning_rate (default: 200.0) 10~1000；如果学习率太高，数据可能看起来像一个“球”，任何一点与其最近的邻居大致相等。 如果学习率太低，大多数点可能会在密集的云中看起来很少，有很少的异常值。
• n_iter (default: 1000) 迭代次数，至少250
• n_iter_without_progress (default: 300) 在我们停止之前，最大的可执行次数，250之后开始算
• min_grad_norm (default: 1e-7) 梯度norm小于这个时，停止迭代
• metric （default：euclidean，option：precomputed,correlation）距离的度量方法，必须在scipy.spatial.distance.pdist下，或者是.PAIRWISE_DISTANCE_FUNCTIONS中列出的度量标准，默认为“欧几里德”
• init(default: “random”)；‘random’, ‘pca’，PCA初始化不能与预计算的距离一起使用，并且通常比随机初始化更全面地稳定。
• verbose (default: 0)
• random_state(default: None)如果int随机种子; 如果没有是the RandomState instance。 请注意，不同的初始化可能会导致成本函数的不同局部最小值。
• method(default: ‘barnes_hut’)
• angle (default: 0.5，搭配barnes_hut使用) “角度”是从一个点测量的远距离节点的角度大小（在[3]中称为θ）。 如果这个大小低于’angle’，那么它将被用作其中包含的所有点的汇总节点。 该方法对0.2-0.8范围内的参数变化不太敏感。 角度小于0.2时，计算时间的增加迅速增加，角度越大，误差越大。

---

• fit(X[, y]) Fit X into an embedded space.
• fit_transform(X[, y]) Fit X into an embedded space and return that transformed output.
• get_params([deep]) Get parameters for this estimator.
• set_params(**params) Set the parameters of this estimator.

---