参考 http://qiancy.com/2016/11/12/sne-tsne/
数据降维，大体分为线性方法和非线性方法。其中线性方法例如PCA和LDA，而非线性方法又有保留局部特征、基于全局特征等方法。有人整理了一张分类图，下面这张图从网上引用而来：
相比于其他降维方法，t-SNE是近年比较火热的一种高维数据可视化技术，能够通过降维，将高维数据降维并给出二维或三维的坐标点，从而可以在人能够轻易理解的平面或立体空间内将数据可视化出来。
这个方法是SNE的变种，SNE是Hinton在2002年提出来的方法。Stochastic Neighbor Embedding，好吧，又是embedding。目标是将高维数据映射到低维后，尽量保持数据点之间的空间结构，这样在高维空间里距离较远的点，在低维空间中依然保持较远的距离。在传统的方法中，PCA和MDS是线性技术，用于保持相距较远的数据点之间的低维表示。
Maaten将t-SNE的降维结果与其他7种降维方法的结果，在5种不同的数据集中作了对比。