t_sne可视化数据还没训练前代码和训练后的代码

训练前代码：

from sklearn.datasets import load_digits
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

digits = load_digits()
data = digits.data
target = digits.target

tsne = TSNE(n_components=2, random_state=0)
tsne_data = tsne.fit_transform(data)

plt.scatter(tsne_data[:,0], tsne_data[:,1], c=target)
plt.show()

训练后代码：

from sklearn.datasets import load_digits
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

digits = load_digits()
data = digits.data
target = digits.target

tsne = TSNE(n_components=2, random_state=0, perplexity=30, n_iter=1000)
tsne_data = tsne.fit_transform(data)

plt.scatter(tsne_data[:,0], tsne_data[:,1], c=target)
plt.show()

在训练后的代码中，我们增加了两个参数：perplexity和n_iter。perplexity控制了t-SNE算法中的邻域大小，n_iter控制了迭代的次数。这些参数的调整可以影响到可视化结果的质量。