用途：UMAP（Uniform Manifold Approximation and Projection）是一种非线性降维技术，用于可视化与通用降维，可生成快速、可扩展的嵌入，保留局部与全局结构，并用于聚类预处理。
安装：conda install -c conda-forge umap-learn 或 pip install umap-learn。参数化 UMAP 需 pip install umap-learn[parametric_umap]，依赖 TensorFlow 2.x。
主要能力：遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代；支持监督降维（fit_transform(data, y=labels)）、半监督（未标注点标为 -1）、度量学习、transform() 变换新数据、逆变换 inverse_transform、AlignedUMAP 对齐多数据集，以及 ParametricUMAP 学习神经网络映射。
关键参数：n_neighbors 默认 15，控制局部与全局平衡；min_dist 默认 0.1，控制点聚集程度；n_components 默认 2，决定输出维度；metric 默认 euclidean，支持 cosine、hamming 等。聚类建议 n_neighbors=30、min_dist=0.0、n_components=5-10。
使用要点：应用前务必用 StandardScaler 标准化特征；设置 random_state 保证可复现；聚类后需验证结果，因 UMAP 不完全保留密度，可能产生人为簇划分。
限制：逆变换计算昂贵且在外推区域效果差；transform 假设训练与测试数据分布一致，否则应改用 Parametric UMAP；大数据集可设 low_memory=True 或先用 PCA 降维。详细 API 见 references/api_reference.md。