UMAP-Learn 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，并支持监督学习与聚类预处理。安装方式：uv pip install umap-learn。
基本用法：遵循 scikit-learn 约定，可作为 t-SNE 或 PCA 的替代。使用前必须标准化特征（StandardScaler），以保证各维度权重一致。可用 fit_transform 一步完成，或先 fit 再取 embedding_ 复用模型。
主要参数：n_neighbors（默认 15）平衡局部与全局结构，低值突出局部细节，高值突出全局拓扑；min_dist（默认 0.1）控制低维空间点的紧密程度，0.0 适合聚类，0.1-0.3 适合可视化；n_components（默认 2）决定输出维度，2-3 用于可视化，5-10 用于聚类预处理；metric（默认 euclidean）可选 cosine（文本向量）、hamming（二值数据）等。
监督与半监督：通过 y 参数传入标签实现监督降维，未标注点以 -1 标记实现半监督。可在已标注数据上训练后用 transform 处理新数据，并用于下游分类器（如 SVC）的特征工程。
聚类：作为 HDBSCAN 等密度聚类的预处理，推荐参数为 n_neighbors=30、min_dist=0.0、n_components=5-10。注意 UMAP 不完全保留密度，可能产生人工簇划分，需验证结果。
转换新数据：transform() 可将训练好的嵌入应用到新数据，但要求训练与测试数据分布一致，否则宜用 Parametric UMAP。可通过随机状态 random_state 保证可复现。
高级功能：Parametric UMAP 用 TensorFlow/Keras 训练编码网络，支持高效转换新数据、逆变换与自定义架构，需安装 uv pip install umap-learn[parametric_umap]；支持 inverse_transform 重建高维数据（计算昂贵，凸包外效果差）；AlignedUMAP 用于时间序列或相关数据集对齐嵌入。
常见问题：组件断裂可增大 n_neighbors；簇分散可减小 min_dist；大数集可设 low_memory=True 或先用 PCA 降维。详细 API 见 references/api_reference.md。
局限性：资料未提供具体性能基准、收费信息或与其它降维方法的量化对比。