低维空间的维度没有意义。请注意，t-SNE 损失函数仅基于点之间的距离 ($y_i$ 和 $y_j$) 和这些距离上的概率分布 ($p_{ij}$ 和 $q_{ij}$):

因此没有从整个高维空间到低维空间的投影，t-SNE 只找到从一组特定的高维点到一组特定的低维点的映射。因为从一个空间到另一个空间没有功能，所以轴也没有内在的意义。

你可以想象的事情来说明这一点：

• 旋转或平移高维或低维空间不会影响点之间的距离。因此，t-SNE 不关心两个空间中的旋转或平移。因此，轴没有绝对的解释。
• t-Student 分布有肥尾。这导致低维表示对于高维空间中远离的点的变化是不变的。这也导致高维空间中距离较远的点在低维空间中可能相当远、很远或非常远。从这个意义上说，它拉伸了低维轴的某些部分（在任意方向上）。

话虽如此，t-SNE 主要是一种可视化技术，其用于其他目的的降维效果并不明显（可能不适合聚类、特征提取或特征选择）。

还有：纸。