一种新的 Unsupervised learning算法， t-SNE ( t-distributed stochastic neighbor embedding), 最近很热门。荷兰的发明者Laurens van der Maaten在2008年发表的论文“Visualizing data using t-SNE”，至今已有1900多次引用。

Unsupervised learning算法通常用于降低高维数据的维数，常用的算法有clustering，principal component analysis (PCA), kernel PCA，等。这些算法都有其内在的缺点，比如是linear 算法，比如受制于curse of dimensionality，比如计算的结果取决于distance measure或者choice of kernel.

t-SNE 似乎比以前的算法高明。很多算例表明它的结果比较合理。t-SNE常用于把高维数据降到2维，这样就可以在平面作图，是data visualization的一个很好的工具。

从我现在的理解，t-SNE也有缺点：1）要选取一个叫 perplexity 的参数；2）这是一个non-convex的最优化问题，所以会有local minima的问题，以至于每一次计算都会有不同的结果。

有兴趣的读者可以读Maaten的两篇文章：

“Dimensionality Reduction: A Comparative Review” -- 比较各种unsupervised learning算法

“Visualizing data using t-SNE”  -- 提出t-SNE 算法

t-SNE 算法的软件有现成的，还有很多种计算机语言的界面(Matlab, Python, R, Java, Javascript, CUDA, Julia)：http://lvdmaaten.github.io/tsne/