UMAP 降维分析
用保留局部与全局结构的降维方法做可视化、有监督学习和聚类预处理。
功能与用途
UMAP 是一种降维技术,既可以做可视化,也可以做通用的非线性降维。它相比同类方法的优势是快、可扩展,而且在压到低维时同时保留局部和全局结构,这让降维后的图既能看出簇,也能看出簇之间的关系。常见用途有三类:把高维嵌入投影到二维或三维看分布、作为有监督学习流程里的一环、以及在聚类之前做预处理提升效果。适合手上有一批高维特征或嵌入向量、想先看清数据长什么样、或者怀疑聚类效果受维度灾难影响的人。要注意的是它输出的是低维表示,参数选择会影响保留结构的偏向,结论仍需结合业务含义解读。
适用场景
- 高维特征与嵌入向量可视化:将高维文本、图像特征投影到二维或三维空间,直观展示数据分布与拓扑结构。
- 聚类算法前置降维预处理:在运行 HDBSCAN 等聚类前压缩特征维度并紧缩密集点分布,消除维度灾难干扰。
- 标签指导的有监督降维:利用类别标签或半监督弱标签引导降维,在拉开类间间距的同时保留簇内结构。
适用人群
- 数据科学家
- 算法工程师
- 研究人员
使用步骤
- 准备好高维特征或嵌入数据
- 按目标选择可视化、有监督或聚类预处理用途
- 设置降维参数并生成低维表示
- 可视化检查局部与全局结构是否保留
- 把降维结果接入下游模型或聚类
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 编程
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-13
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Use UMAP-learn for nonlinear dimensionality reduction, 2D/3D embeddings, clustering preprocessing, supervised or semi-supervised UMAP, DensMAP, AlignedUMAP, and Parametric UMAP workflows.
使用前准备
- Python 数据处理环境
- 已准备好的高维数据
依赖与权限
- 读取用户主动提供的内容