t-SNE画图

t-SNE（t-distributed stochastic neighbor embedding）是一种用于数据降维和可视化的算法，它可以将高维数据映射到低维空间中，并保持数据点之间的相对距离。t-SNE常用于机器学习、数据挖掘、可视化等领域。

以下是使用Python中的scikit-learn库来进行t-SNE画图的示例代码：

import numpy as np
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

# 创建一个随机数据集
X = np.random.rand(100, 50)

# 初始化t-SNE模型
tsne = TSNE(n_components=2, perplexity=30.0, n_iter=1000)

# 对数据进行降维
X_tsne = tsne.fit_transform(X)

# 可视化降维后的数据
plt.scatter(X_tsne[:, 0], X_tsne[:, 1])
plt.show()

在这个例子中，我们首先生成了一个100x50的随机数据集，然后使用scikit-learn中的TSNE模型将数据降到2维，并使用matplotlib库进行可视化。其中，`n_components`参数表示降维后的维度，`perplexity`参数用于控制t-SNE算法中的局部拓扑结构，`n_iter`参数表示迭代次数。最后，使用`plt.scatter()`函数将降维后的数据点在二维平面上进行可视化。