Umap Learn API 参考

# UMAP API 参考 ## UMAP 类 `umap.UMAP(n_neighbors=15, n_components=2, metric='euclidean', n_epochs=None, learning_rate=1.0, init='spectral', min_dist=0.1, spread=1.0, low_memory=True, set_op_mix_ratio=1.0, local_connectivity=1.0, repulsion_strength=1.0, negative_sample_rate=5, transform_queue_size=4.0, a=None, b=None, random_state=None, metric_kwds=None, angular_rp_forest=False, target_n_neighbors=-1, target_metric='categorical', target_metric_kwds=None, target_weight=0.5, transform_seed=42, transform_mode='embedding', force_approximation_algorithm=False, verbose=False, unique=False, densmap=False, dens_lambda=2.0, dens_frac=0.3, dens_var_shift=0.1, output_dens=False, disconnection_distance=None, precomputed_knn=(None, None, None))` 寻找近似数据底层流形的低维嵌入。 ### 核心参数 #### n_neighbors (int, 默认值: 15) 用于流形近似的局部邻域大小。较大的值会产生更全局的流形视图，而较小的值则保留更多的局部结构。通常在 2 到 100 之间。 **调优指南：** - 使用 2-5 获取非常局部的结构 - 使用 10-20 获取平衡的局部/全局结构（典型值） - 使用 50-200 强调全局结构 #### n_components (int, 默认值: 2) 嵌入空间的维度。与 t-SNE 不同，UMAP 可以很好地扩展嵌入维度。 **常用值：** - 2-3: 可视化 - 5-10: 聚类预处理 - 10-100: 下游机器学习的特征工程 #### metric (str 或 callable, 默认值: 'euclidean') 使用的距离度量。接受： - 来自 scipy.spatial.distance 的任何度量 - 来自 sklearn.metrics 的任何度量 - 自定义可调用距离函数（必须使用 Numba 编译） **常用度量：** - `'euclidean'`: 标准欧几里得距离（默认） - `'manhattan'`: L1 距离 - `'cosine'`: 余弦距离（适用于文本/文档向量） - `'correlation'`: 相关性距离 - `'hamming'`: 汉明距离（用于二进制数据） - `'jaccard'`: 杰卡德距离（用于二进制/集合数据） - `'dice'`: Dice 距离 - `'canberra'`: 堪培拉距离 - `'braycurtis'`: Bray-Curtis 距离 - `'chebyshev'`: 切比雪夫距离 - `'minkowski'`: 闵可夫斯基距离（通过 metric_kwds 指定 p） - `'precomputed'`: 使用预计算的距离矩阵 #### min_dist (float, 默认值: 0.1) 嵌入点之间的有效最小距离。控制点被压缩在一起的紧密程度。较小的值会导致更聚集的嵌入。