根据http://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html，random_state是
random_state：int或RandomState实例或None（默认值）Pseudo 随机数发生器种子控制。如果为None，请使用numpy.random 单身。请注意，可能会导致不同的初始化 成本函数的不同局部最小值。
播种什么州？这对tsne的实现有何影响？ tsne paper中未提及此参数：http://jmlr.csail.mit.edu/papers/volume9/vandermaaten08a/vandermaaten08a.pdf
更新1：
虽然Classification results depend on random_state?肯定有助于解释为什么在sklearn中使用随机状态，但它没有说明在sklearn tsne算法实现中如何使用随机状态。
答案 0 :(得分：3)
在我评论的帖子中，很好地解释了random_state的使用。 对于TSNE的这种特定情况，random_state用于为算法的cost_function设定种子。
记录在案：
方法：字符串（默认值：'barnes_hut'）
默认情况下，渐变计算算法使用Barnes-Hut 近似值在O（NlogN）时间内运行
此外，在您引用的论文中搜索“随机”一词。第一行是
通过随机抽样地图点来初始化梯度下降 来自各向同性高斯，以小方差为中心 起源。
“随机”一词的其他位置也说明随机性是选择起始地标点，因此可以影响功能的局部最小值。
该随机性由伪随机数生成器表示，该生成器由random_state参数播种。
<强>解释： 有些算法在某些参数的初始化中使用随机数，例如用于优化的权重，随机分组到测试中的数据，选择某些特征等。
现在，在编程和软件方面，没有什么本质上是真正随机的。为了生成随机数，使用程序。但由于它的程序有一些固定的步骤，因此它不能真正随机。所以它叫伪随机生成器。现在每次输出不同的数字序列，它们根据生成的数字进行输入。通常，此输入是当前时间（以毫秒为单位）（Epochs UTC）。此输入称为种子。修复种子意味着修复输出数字。
random_state用作scikit中伪随机数生成器的种子 - 学习在算法中涉及此类随机性时复制行为。当一个固定的random_state，它将在程序的不同运行中产生完全相同的结果。因此，如果有的话，它更容易调试和识别问题。
如果不设置random_state，每次运行算法时都会使用不同的种子，您将获得不同的结果。可能会发生这样的情况：您可能会在第一时间获得非常高的分数，而且永远无法再实现这一目标。
现在在机器学习中，我们希望复制与之前执行的步骤完全相同的步骤，以分析结果。因此random_state固定为某个整数。希望它有所帮助。
答案 1 :(得分：2)
它在PCA上使用（减少数据维度）并初始化培训数据的嵌入。
您可以自行检查代码https://github.com/scikit-learn/scikit-learn/blob/14031f6/sklearn/manifold/t_sne.py#L777
您还可以尝试阅读有关该方法的更多信息。
Edit1：它可能（或不会）直接影响结果。我建议你设置一个随机种子，并始终使用它。