问题遇到的现象和发生背景
t-SNE的输入数据是特征影像吗？为什么出来的图不同颜色全都混在一起的？怎么样可以使得只有相同颜色的点聚在一团
图1是原始数据输入结果，图2，图3是特征影像输入的结果
问题相关代码，请勿粘贴截图
for i in range(len(Name)):
Feature=np.load(Datadir+Name[i]+'.npy')
y=np.load(Datadir + 'y.npy')
X_tsne = TSNE(n_components=2,random_state=33,early_exaggeration=50.0,n_iter=1000).fit_transform(Feature,y)
plt.figure(figsize=(10, 10))
# plt.subplot(121)
plt.scatter(X_tsne[:, 0], X_tsne[:, 1],c=y,label=Name[i], cmap='rainbow')
plt.legend()
plt.show()
用的代码很简单。
我的解答思路和尝试过的方法
按照TSNE的调用参数，大部分都是默认值，尝试提高n_iter 迭代次数和early_exaggeration 表示嵌入空间簇间距的大小，效果还是这样。到底要怎么改才能达到同一颜色的点聚在一起？
n_components ：嵌入空间的维度
perpexity 混乱度，表示t-SNE优化过程中考虑邻近点的多少，默认为30，建议取值在5到50之间
early_exaggeration 表示嵌入空间簇间距的大小，默认为12，该值越大，可视化后的簇间距越大
learning_rate 学习率，表示梯度下降的快慢，默认为200，建议取值在10到1000之间
n_iter 迭代次数，默认为1000，自定义设置时应保证大于250
min_grad_norm 如果梯度小于该值，则停止优化。默认为1e-7
metric 表示向量间距离度量的方式，默认是欧氏距离。如果是precomputed，则输入X是计算好的距离矩阵。也可以是自定义的距离度量函数。
init 初始化，默认为random。取值为random为随机初始化，取值为pca为利用PCA进行初始化（常用），取值为numpy数组时必须shape=(n_samples, n_components)
verbose 是否打印优化信息，取值0或1，默认为0=>不打印信息。打印的信息为：近邻点数量、耗时、σ、KL散度、误差等
random_state 随机数种子，整数或RandomState对象
method 两种优化方法：barnets_hut和exact。第一种耗时O(NlogN)，第二种耗时O(N^2)但是误差小，同时第二种方法不能用于百万级样本
angle 当method=barnets_hut时，该参数有用，用于均衡效率与误差，默认值为0.5，该值越大，效率越高&误差越大，否则反之。当该值在0.2-0.8之间时，无变化。
我想要达到的结果
怎么样达到这种效果？要调整哪个参数？还是数据的问题
