用途：UMAP（Uniform Manifold Approximation and Projection）是一种非线性降维技术，适合快速、可扩展地生成同时保留局部与全局结构的嵌入。适用于把高维特征或嵌入投影到 2D/3D 可视化、为 HDBSCAN 等密度聚类做降维预处理、监督/半监督/参数化/对齐建模，以及用已拟合模型转换新数据。
主要能力：遵循 scikit-learn 约定，可作为 t-SNE/PCA 的替代。核心参数为 n_neighbors（局部与全局平衡，默认 15）、min_dist（低维点聚集程度，默认 0.1）、n_components（输出维度，默认 2）、metric（距离度量，默认 euclidean；文本嵌入可用 cosine，二值数据可用 hamming/jaccard 等）。监督模式通过 fit_transform(data, y=labels) 传入标签；半监督将未标注点标为 -1。可先监督训练再 transform 新数据，或放入 sklearn Pipeline。参数建议：可视化用 n_neighbors=15、min_dist=0.1、2 维；聚类用 n_neighbors≈30、min_dist=0.0、5-10 维，再配合 hdbscan（min_cluster_size、min_samples）。
使用方式：安装 uv pip install "umap-learn>=0.5,<0.6"；参数化版本用 uv pip install "umap-learn[parametric_umap]"（需 TensorFlow 2.x）。基本用法为先 StandardScaler 标准化（当原始尺度无意义时），再用 umap.UMAP().fit_transform。还提供逆变换 inverse_transform、ParametricUMAP（可自定义编解码器）和 AlignedUMAP（分析时间序列或相关数据集）。
限制：UMAP 不完全保留密度，可能产生人为的簇划分，聚类结果需验证。不适用于单细胞 AnnData 流程（应改用 alterlab-scanpy）、线性降维或通用 ML 建模（alterlab-scikit-learn）、BERTopic 主题建模（alterlab-text-as-data）。设置 random_state 会强制单线程；完全复现还需记录 umap-learn 版本。transform 假设训练与测试数据分布一致，否则改用 Parametric UMAP。逆变换计算昂贵且超出凸包区域效果差。