目标：我的目标是在R中使用t-SNE（t分布随机邻居嵌入）来减少训练数据的维数（具有N个观测值和K个变量，其中K >> N），随后旨在提出t-SNE我的测试数据的SNE表示形式。
示例：假设我打算将K变量减小为D = 2维（对于t-SNE通常为D = 2或D = 3）。有两个R包：Rtsne和tsne，而我在这里使用前者。
# load packages
library(Rtsne)
# Generate Training Data: random standard normal matrix with J=400 variables and N=100 observations
x.train <- matrix(nrom(n=40000, mean=0, sd=1), nrow=100, ncol=400)
# Generate Test Data: random standard normal vector with N=1 observation for J=400 variables
x.test <- rnorm(n=400, mean=0, sd=1)
# perform t-SNE
set.seed(1)
fit.tsne <- Rtsne(X=x.train, dims=2)
命令
fit.tsne$Y将返回包含数据的t-SNE表示的（100x2）维对象；也可以通过plot(fit.tsne$Y)绘制。问题：现在，我正在寻找的是一个函数，该函数基于训练的t-SNE模型返回我的测试数据的尺寸（1x2）的预测
pred。就像是，# The function I am looking for (but doesn't exist yet):
pred <- predict(object=fit.tsne, newdata=x.test)
（这怎么可能？你能帮我吗？
最佳答案
来自作者本人（https://lvdmaaten.github.io/tsne/）：
有了t-SNE地图后，如何在其中嵌入传入的测试点
地图？
t-SNE学习非参数映射，这意味着它不会
学习一个显式函数，将数据从输入空间映射到
地图。因此，不可能将测试点嵌入现有的
地图（尽管您可以在完整数据集上重新运行t-SNE）。潜力
解决这个问题的方法是训练多元回归
从输入数据预测地图位置。或者，你
也可以使这种回归器直接将t-SNE损失最小化，
这就是我在本文中所做的（https://lvdmaaten.github.io/publications/papers/AISTATS_2009.pdf）。
因此，您不能直接应用新的数据点。但是，您可以在数据和嵌入维之间拟合多元回归模型。作者意识到这是该方法的局限性，并建议采用这种方法来解决它。