数据降维及可视化之TSNE理论及利用sklearn对digits数据集可视化实现python

今天来简单总结一下TSNE~

SNE

首先来说说SNE，全称为随机相邻嵌入（Stochastic Neighbor Embedding），其将数据之间的高维的欧几里得距离转化为表示相似性的条件概率：数据点$x_j$与数据点$x_i$的相似性表示为条件概率的样子$p_{j|i}$，表达为$x_i$选择$x_j$作为邻居，表达式为：
$$p_{j|i}=\frac{exp(-||x_i-x_j|{|}^2/2{\sigma }_i^2)}{{\sum }_{k\ne i}exp(-||x_i-x_k|{|}^2/2{\sigma }_i^2)}$$
其中${\sigma }_i$是$x_i$为中心的高斯分布的方差。（$p_{i|i}=0$)
当我们把高维数据映射到低维空间中时，我们要保证其数据分布应与原来的相同，或者说是数据点之间的相似性相同。那么设刚刚数据点