用途：UMAP 用于非线性降维，适合将高维数据嵌入低维空间，以保留局部与全局结构。常用于数据可视化、聚类预处理（如配合 HDBSCAN）、监督/半监督降维及机器学习特征工程。
安装与基本用法：使用 uv pip install umap-learn 安装。UMAP 遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代。应用前必须标准化特征，例如 StandardScaler().fit_transform(data)；随后可调用 embedding = umap.UMAP().fit_transform(scaled_data)，或分步 fit 后访问 reducer.embedding_。
主要参数：n_neighbors（默认 15）平衡局部与全局结构，值越小越强调局部细节，越大越强调全局结构；min_dist（默认 0.1）控制低维空间中点的密集程度，0.0 利于聚类，0.1-0.3 适合可视化；n_components（默认 2）决定嵌入维度，可视化用 2-3，聚类预处理用 5-10，特征工程可用更高；metric 指定距离度量，如 euclidean、cosine、hamming 等。
监督与半监督：在 fit_transform 时传入 y=labels 可使用标签信息；未标注点按 scikit-learn 约定标记为 -1。可训练后对测试数据调用 transform() 进行嵌入。
聚类：建议使用 n_neighbors=30、min_dist=0.0、n_components=5-10 进行预处理，再配合 HDBSCAN。注意 UMAP 不完全保留密度，可能产生人为簇划分，需要验证。
高级功能：Parametric UMAP 需安装 uv pip install umap-learn[parametric_umap]（依赖 TensorFlow 2.x），支持学习映射、逆变换与自定义网络。普通 UMAP 支持 inverse_transform，但计算昂贵且外推效果有限；AlignedUMAP 可用于相关数据集的对齐嵌入。
限制：结果受随机性影响，建议设置 random_state；transform 假设训练与测试数据分布一致，否则可考虑 Parametric UMAP；大数据集可设 low_memory=True 或先用 PCA 降维。