在一次模型评审上，业务方拿着一张 5 万条样本的 t-SNE 图说：「正样本和负样本在图上混在一起，说明你的 embedding 没学好」，并要求你换模型。而你手里同一批 embedding 的 kNN 准确率、线性探针 AUC 和下游业务指标都在涨。请回答：(1) 你怎么回应这个质疑，t-SNE 图上「看起来分开/混在一起」能不能作为结论；(2) 如果确实要做可视化，perplexity 和初始化你会怎么设，怎么让这张图可信；(3) 如果要给业务方一个长期可用的方案，你会换成什么或者怎么改。
面试官在考什么
判断候选人是否理解 t-SNE 只是局部结构的可视化工具，以及能否在跨团队评审中既守住技术判断、又给非技术同学一个可验证的替代方案。
回答框架 · 前两步
- 定位澄清：t-SNE 是可视化工具不是评估工具。它只保留局部邻域结构，簇间距离、簇的大小和密度都不可解释；两个类在图上重叠不等于线性不可分（高维里可以线性分开而在 2D 投影里重叠）。评判 embedding 应该用 kNN 召回、线性探针、检索命中率和下游指标。
- 回应方式：不要直接否掉业务方的直觉，而是给出可验证的替代证据——kNN recall@k 曲线、按类别的最近邻命中率、混淆矩阵、以及下游指标的变化，同时说明 t-SNE 图上哪几个维度是不可解释的。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页
同一能力域的其他题
- 你有 500 万条 128 维用户 embedding，要聚成约 2000 个簇，单机 64GB 内存。你会选 MiniBatchKMeans 还是标准 KMeans？n_init、batch_size、tol 分别怎么定，空簇怎么处理，最后怎么判断这次聚类是可信的？
- 推荐系统要对 3000 万条用户 embedding（d=64, float32）做粗聚类分桶，k 在 1000~5000 之间，要求单机 128GB 内存、2 小时内跑完。你会选哪个聚类实现？k 怎么定？聚类质量怎么评估？
- 你负责一个用户 embedding 平台：2 亿用户 × 128 维 float32（单份约 100GB）。业务方要按 5000 个簇做分层运营，要求每晚在固定的 20 台机器（每台 8 核 / 32GB 内存 / 无 GPU）上 4 小时内完成一次重聚类；并且相邻两天的簇 ID 必须能对上，否则昨天的投放归因报表就断了。请回答：(1) 你会选哪种 KMeans 变体、用什么初始化，给一个量级估算说明 4 小时够不够、瓶颈在哪；(2) k=5000 这个数字你打算怎么论证；(3) 跨天的簇 ID 对齐你具体怎么做，代价多大、失败时怎么办。
- 有一维数据集 {1,2,3,10,11,12,50}，用 KMeans 聚类，k=3，初始质心为 1、10、50。请写出第一轮簇分配和更新后的三个质心，并说明第二轮 50 还会不会单独成簇。距离使用欧氏距离。
- 8000 个商品 SKU，特征是从标题文本抽的归一化 embedding，你要输出一棵 3~5 层的类目树。如果直接用凝聚层次聚类：linkage 选哪种、为什么；8000 个点的内存和时间开销大概什么样；dendrogram 出来后你切在哪一层、依据什么？
- 商品库有 20 万 SKU、100 维特征，业务要求输出一棵可解释的分类树（不是扁平簇）。直接对 20 万样本跑凝聚层次聚类会怎样？你会怎么在规模与树结构之间取舍？