TSNE是一种非线性降维算法，可以将高维数据映射到低维空间中进行可视化。下面是使用Python的Scikit-learn库中的TSNE函数画出聚类结果的代码示例： ```python import numpy as np import matplotlib.pyplot as plt from sklearn.manifold import TSNE from sklearn.cluster import KMeans # 生成随机数据 X = np.random.rand(100, 50) # 使用KMeans进行聚类 kmeans = KMeans(n_clusters=5) labels = kmeans.fit_predict(X) # 使用TSNE进行降维 tsne = TSNE(n_components=2) X_tsne = tsne.fit_transform(X) # 绘制散点图 plt.figure(figsize=(10, 8)) plt.scatter(X_tsne[:, 0], X_tsne[:, 1], c=labels, cmap=plt.cm.get_cmap("jet", 5)) plt.colorbar(ticks=range(5)) plt.clim(-0.5, 4.5) plt.show() ``` 以上代码首先生成了一个100行50列的随机数据矩阵X，然后使用KMeans算法对其进行聚类，得到每个样本所属的类别标签。接着使用TSNE算法将X降到2维，并将降维后的数据和类别标签传入散点图函数中进行绘制。 需要注意的是，TSNE算法的计算复杂度较高，当数据量较大时，可能需要较长的计算时间。同时，TSNE算法的结果也受到随机初始化的影响，因此多次运行TSNE算法可能得到不同的结果。