除了其他人提到的那些缺陷，tsne的稳健性和一致性不是太好。

1. tsne对超参的设置比较严苛，设置不当，会导致结果很差。

最左是原始的数据，剩下五个是tsne处理后的数据，明显看出在一些参数下，结果并不理想

2. tsne后聚类的大小没有实际意义

最左是原始的数据，蓝色较大，黄色较小。剩下五个是tsne处理后的数据，每簇的大小看起来很随机。

3. tsne后聚类间的距离没有意义

最左是原始的数据，黄色蓝色较近、绿色分隔得比较远。剩下五个是tsne处理后的数据，原图中的距离并没有被保留。

4. 随机噪音在tsne处理之后看起来不像随机噪音

最左是原始的数据，正态分布的随机点。剩下五个是tsne处理后的数据，似乎还能看出各种不同的规律，并不像是完全的杂乱无章。

5. tsne后聚类出现不规律的形状

最左是原始的数据，杂乱无章，没有明显的分布。剩下五个是tsne处理后的数据，出现了各种形状，有的似乎还出现了聚类。

上面种种问题让tsne显得难以驾驭。在工程中，使用得并不广泛。

参考文献：如何高效使用tsne

我觉得主要有三个大问题：

1）tsne太慢，不适合于大规模计算或者大数据

2）tsne不能对test data做transform。比如说我们对training data进行pca，然后可以利用刚刚得到的pca分解矩阵直接对test data进行变换。但是tsne不行。

3）tsne的结果具有一定的随机性，而不是像pca，结果一致性很好。

tsne明显是比pca更高阶的降维算法，要是说缺点的话，tnse占用内存比较大，耗时比pca要长。