tsne与pca的区别

降维的意思是能用一组个数为d的向量zi来代表个数为D的向量xi所包含的有用信息，其中d

可以降维的原因是数据有冗余，要不是没用或者重复的信息。或者是中心对称没必要保留所有的。

同为降维工具，二者的主要区别在于，

所在的包不同（也即机制和原理不同）

from sklearn.decomposition import PCA

from sklearn.manifold import TSNE

因为原理不同，导致，tsne 保留下的属性信息，更具代表性，也即最能体现样本间的差异；

TSNE 运行极慢，PCA 则相对较快；

因此更为一般的处理，尤其在展示（可视化）高维数据时，常常先用 PCA 进行降维，再使用 tsne：

data_pca= PCA(n_components=50).fit_transform(data)

data_pca_tsne = TSNE(n_components=2).fit_transform(data_pca)

【1】https://chenrudan.github.io/blog/2016/04/01/dimensionalityreduction.html

【2】http://blog.csdn.net/lanchunhui/article/details/64923702?locationNum=11&fps=1