Scikit-learn中t-SNE的metric参数是否同时影响高维与目标维度？

• 结论明确：当metric设置为余弦（cosine）时，仅在原高维空间使用余弦相似度计算，目标2D低维空间始终采用欧氏距离来推导概率分布。
• 具体逻辑：
  t-SNE的核心目标是让低维空间的概率分布Q尽可能逼近高维空间的概率分布P。其中高维空间内的点对相似度由指定的metric（此处为余弦）转换为联合概率P；而低维空间的概率分布Q，无论高维选用何种度量方式，都是基于欧氏距离计算的——这是因为低维空间中欧氏距离是衡量点间邻近关系的标准方式，且算法的KL散度优化逻辑也是围绕这个设定实现的。
• 补充验证：以常用的scikit-learn的TSNE实现为例，源码里低维空间的距离计算是硬编码的欧氏距离，不会随metric参数的设置而改变。

内容的提问来源于stack exchange，提问作者oliver.c