这个问题的答案表明 t-SNE 应该只用于可视化，我们不应该将它用于聚类。那么 t-SNE 有什么用处呢？

我不同意这个结论。没有理由假设 t-SNE 普遍比任何其他聚类算法都差。每个聚类算法都会对数据的结构做出假设，并且可以预期它们的性能会有所不同，具体取决于降维的底层分布和最终用途。

像许多无监督学习算法一样，t-SNE 通常提供一种手段来达到目的，例如获得关于数据是否可分离的早期洞察力，测试它是否具有某种可识别的结构，并检查这种结构的性质。无需可视化 t-SNE 输出即可开始回答其中一些问题。低维嵌入的其他应用包括为分类构建特征或摆脱多重共线性以提高预测方法的性能。