目标：我希望在R中使用t-SNE（t分布随机邻域嵌入）对我的训练数据（包含N个观测和K个变量，其中K>>N）进行降维处理，并随后为我的测试数据生成t-SNE表示。

示例：假设我希望将K个变量降维到D=2维（通常，t-SNE使用D=2或D=3）。有两个R包：Rtsne和tsne，我在这里使用前者。

# 加载包
library(Rtsne)
# 生成训练数据：具有J=400个变量和N=100个观测的随机标准正态矩阵
x.train <- matrix(nrom(n=40000, mean=0, sd=1), nrow=100, ncol=400)
# 生成测试数据：具有N=1个观测和J=400个变量的随机标准正态向量
x.test <- rnorm(n=400, mean=0, sd=1)
# 执行t-SNE
set.seed(1)
fit.tsne <- Rtsne(X=x.train, dims=2)

其中命令fit.tsne$Y将返回包含数据t-SNE表示的(100×2)维对象；也可以通过plot(fit.tsne$Y)进行绘图。

问题：现在，我正在寻找一个函数，该函数基于训练的t-SNE模型为我的测试数据返回一个维度为(1×2)的预测pred。类似于，

# 我正在寻找的函数（但目前还不存在）：
pred <- predict(object=fit.tsne, newdata=x.test)

（如何）这是可能的吗？你能帮我解决这个问题吗？

回答：

这是Rtsne包作者（Jesse Krijthe）的邮件回复：

感谢您提出如此具体的问题。我之前也收到过类似的请求，并且在GitHub上标记为一个未解决的问题（https://github.com/jkrijthe/Rtsne/issues/6）。我犹豫是否要实现这样的功能，主要原因是，从某种意义上说，t-SNE的预测没有一个“自然”的解释方式。对我来说，t-SNE是一种可视化距离矩阵的方式。因此，一个新的样本会导致一个新的距离矩阵，从而产生一个新的可视化。所以，我目前的想法是，唯一合理的方式是重新运行t-SNE程序，将训练集和测试集结合起来。

尽管如此，其他一些人认为定义预测是有意义的，例如，通过在映射中固定训练对象，并为测试对象找到合适的位置（如在该问题中所建议的）。我个人更倾向于一种方法，如参数化t-SNE，这是Laurens van der Maaten（t-SNE论文的作者）在论文中探讨过的。然而，这最好使用我的包以外的其他东西来实现，因为参数模型最有效的选择可能需要由用户来决定。

所以我的建议是1）使用所有数据重新拟合映射，或者2）看看是否能找到参数化t-SNE的实现，我知道的唯一一个是Laurens的Matlab实现。

很抱歉我不能提供更多帮助。如果您想出任何其他/更好的解决方案，请告诉我。