MLGB，人生就是矫情，充满冲动，充满热恋。
tsne的08年的论文看了几遍，发现原理还是蛮简单的，能想到还是不容易（人生的战场是星辰大海，但我们的贡献就是也就是宇宙尘埃）
怎么说呢，现在真的是一个好时机，发不出论文只能说是zz了。08才有人第一次有效的结合pairwise distance和statistic方法。
而tsne几乎是一个很难超越的经典，简单的方程就像是图像处理的双边滤波一样。现在为止好像都没有更好的方法。
在官方下了代码之后加上这句话，使用的是最简单的归一化的方法，虽然官方的代码中没有对数据进行归一化的函数，所以加上效果应该会更好（我也没注意minst需不需要或者已经归一化）
def eque(x):
a,b=x.shape
print x[:,2].max()
for X in range(a):
for Y in range(b):
x[X][Y]=(x[X][Y]-x[:,Y].min())/(x[:,Y].max()-x[:,Y].min())
return x
官方代码思想是一遍聚类一遍降维，tsne发明者是傻逼，明明能写两篇论文，好像却写成了一篇可视化论文，其实也是一种比较好的自动聚类方法。
高维数据每个数据点被认为是一种正太分布数据（正太有三好），低维数据同样，然后让高维数据和低维数据相似度最大。又因为t分布好算而且和正太分布逼近，所以用了t分布来算就成了tsne方法。
其实tsne用于machine learning你可以有两种解释（一种解释就是一篇论文，而其中一种解释今年一个团队写成论文发表了）
1：就是对数据可视化找到最好的maping方法，然后就是最好的数据的可视结果 08年的论文
2：找到在最好maping下的聚类结果，那就是结合聚类和降维的一种优秀的聚类方法
所以你需要进行两个工作：
1：聚类（python最简单的方法有sklearn模块）
2：求kl distance（python有求解函数，实在不行就迭代呗）
3：找出小的kl distance，然后就是结果了
自己写也很简单。
由于python之中已经能安装tsne的model（如果没有FQ使用这种方式安装tsne）
pip install tsne -i http://pypi.douban.com/simple --trusted-host pypi.douban.com