t-SNE聚类图点挤成一团主因是perplexity和learning_rate设置不当；perplexity默认30易致局部结构模糊，应依数据规模在5–50间调优，小数据集优先选低值（如10、20）。
为什么t-SNE画出来的聚类图点都挤成一团？
t-SNE本身不是聚类算法，它只负责把高维特征“摊开”——但摊得是否合理，高度依赖perplexity和learning_rate。默认perplexity=30在文本或图像嵌入上常导致局部结构模糊，点群糊在一起；而learning_rate太小会让优化卡住，太大则发散。
- 先试
perplexity在5–50之间阶梯尝试（比如10、20、30、50），小数据集优先用低值（ -
learning_rate别用sklearn默认的200，改设为200到1000之间，配合n_iter=1000以上 - 务必用
init='pca'——否则随机初始化容易陷入坏局部解，尤其维度＞100时 - 降维前对原始特征做标准化（
StandardScaler）或L2归一化（normalize），否则量纲差异会主导距离计算
怎么把KMeans结果和t-SNE图对上号？
t-SNE输出的是二维坐标，KMeans聚的是原始高维空间，二者坐标系不一致——直接拿KMeans标签去标t-SNE散点图没问题，但不能反推“t-SNE聚类中心在哪”。常见错误是先t-SNE再KMeans，这等于在扭曲后的流形上聚类，物理意义丢失。
- 正确顺序：先在原始高维数据上跑
KMeans（或DBSCAN），拿到labels_；再对同一份原始数据跑TSNE，最后用labels_着色散点 - 避免对t-SNE结果再聚类：t-SNE坐标无全局距离意义，欧氏距离不可信
- 若想验证聚类质量，用轮廓系数（
silhouette_score）等指标，必须传原始特征+原始标签，不能传t-SNE坐标
Matplotlib画图时颜色混乱、图例错位怎么办？
用plt.scatter画t-SNE结果时，如果直接传c=labels且标签是非连续整数（比如[-1, 0, 2, 5]），颜色映射会跳号，图例也对不上。更隐蔽的问题是：没设zorder导致图例盖住点，或没关plt.axis('equal')让纵横比失真，扭曲簇形状。
- 显式构造
colors列表，按唯一标签排序：unique_labels = sorted(set(labels))，再用plt.scatter(..., c=[unique_labels.index(l) for l in labels]) - 加
plt.axis('equal')确保x/y轴单位长度一致，否则圆形簇被拉成椭圆 - 图例用
plt.legend(handles=scatter.legend_elements()[0], labels=unique_labels)，避免硬编码 - 点大小别用固定
s=1，大数据集调小（s=0.1），小数据集可略大（s=10）
scikit-learn的TSNE比torch-cuda慢太多，能换吗？
sklearn的TSNE纯CPU实现，n＞10k就明显卡顿；但盲目切到torch或cuML可能翻车：cuML要求GPU内存足够存整个距离矩阵（O(n²)），而PyTorch版需手动写前向传播，容易漏梯度或初始化错误。
立即学习“Python免费学习笔记（深入）”；
- 1万样本以内，用sklearn +
n_jobs=-1已够用；超1万，优先试openTSNE（C++加速，API兼容，支持多核+early_exaggeration调度） - 确需GPU：cuML的
TSNE要确保X是cp.ndarray，且显存≥2×n×d×4字节（float32）；报MemoryError时先降采样 - 别用
torch.nn.functional自己实现——t-SNE目标函数非标准，官方没封装，易出数值不稳定（如log(0)）
真正麻烦的从来不是调哪个函数，而是降维后要不要截断异常点、要不要叠加原始特征分布直方图、以及——当业务方指着一团点问“这个簇到底代表什么”，你手里有没有对应原始ID和字段的可追溯链路。
