スキル umap-learn
📦

umap-learn

コンテンツリビジョン r2 安全 ⚙️ 外部コマンド

إنشاء تضمينات UMAP أفضل

يصعب تصور البيانات عالية الأبعاد وتجميعها وإعادة استخدامها في مسارات تعلم الآلة. ترشد هذه المهارة إلى إعداد UMAP وضبطه وتحويله وتقييمه عمليًا.

対応: Claude Codex Code(CC)
Maintain this Skill? Claim it 📊 76 十分

自分のエージェントでインストール

このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。

エージェントリクエスト
Review the Skillstore skill "umap-learn" from https://skillstore.io/skills/davila7-umap-learn.md and its manifest at https://skillstore.io/api/skills/davila7-umap-learn/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。

エージェントが読めるリソース

AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。

テストする

「umap-learn」を使用しています。 لدي سمات موحدة المقاييس للعملاء وأحتاج إلى نظرة عامة ثنائية الأبعاد.

期待される結果:

ابدأ بـ 15 جارًا، ومسافة دنيا قدرها 0.1، والمسافة الإقليدية، وبذرة عشوائية ثابتة. قارن عدة بذور قبل تفسير البنية.

「umap-learn」を使用しています。 أريد استخراج مجموعات HDBSCAN من 120 سمة رقمية.

期待される結果:

  • وحّد مقاييس السمات باستخدام إحصاءات بيانات التدريب.
  • قلّل البيانات إلى خمسة أو عشرة أبعاد باستخدام UMAP مع ضبط المسافة الدنيا على صفر.
  • لاءم HDBSCAN وتحقق من الثبات باستخدام إعدادات متعددة للمعلمات.

「umap-learn」を使用しています。 يجب أن أضمّن المشاهدات المستقبلية بعد التدريب.

期待される結果:

لاءم أداة توحيد المقاييس ونموذج UMAP على بيانات التدريب، وأعد استخدامهما للمشاهدات الجديدة، وراقب انزياح التوزيع.

セキュリティ監査

安全

All 49 static alerts are false positives caused by Markdown code fences, inline parameter names, and benign data-science terminology. The files contain instructional examples and no automatic command execution, reconnaissance behavior, prompt injection, or malicious intent.

2
スキャンされたファイル
1,007
解析済み行数
0
レビュー項目
0
誤検知を無視
最新の完了済み静的・セマンティック監査では、確認済みのセキュリティ検出事項は見つかりませんでした。これは、スキルに副作用がないことを証明するものではありません。
監査者: codex 監査履歴を表示 →
このレポートを共有・引用

バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。

バージョン別レポートを開く
セキュリティ評価

レポートリンクをコピー

https://skillstore.io/skills/davila7-umap-learn/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdownバッジ

[![Skillstore security assessment](https://skillstore.io/badges/skills/davila7-umap-learn/security.svg)](https://skillstore.io/skills/davila7-umap-learn?utm_source=security_passport_badge)

HTMLバッジ

<a href="https://skillstore.io/skills/davila7-umap-learn?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-umap-learn/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

埋め込みカード

<iframe src="https://skillstore.io/embed/skills/davila7-umap-learn.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>
学術引用 (APA · BibTeX · CFF)

APA形式の引用

davila7. (2026). umap-learn security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-umap-learn/audits/9

BibTeX形式の引用

@techreport{davila7-davila7-umap-learn-2026, author = {davila7}, title = {umap-learn security audit report (audit version 9)}, institution = {Skillstore}, year = {2026}, number = {9}, url = {https://skillstore.io/skills/davila7-umap-learn/audits/9}, note = {Author version unspecified} }

CITATION.cff

cff-version: 1.2.0 message: "If you use this Skill, cite its author and this versioned security audit report." title: "umap-learn security audit report (audit version 9)" version: "unspecified" type: report authors: - name: "davila7" date-released: "2026-07-23" url: "https://skillstore.io/skills/davila7-umap-learn/audits/9" identifiers: - type: other value: "skillstore:davila7-umap-learn:audit:9" description: "Skillstore immutable audit report identifier"

バリアントを比較

インストール可能なバリアント 2 件

各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。

このバリアントが首位の理由

Skillstore スコアが最高
davila7 推奨 現在

davila7-umap-learn

Skillstore スコア 76
証拠の信頼度 高
Skillstore 利用状況 15
更新済み

2026-09-09

k-dense-ai-umap-learn

Skillstore スコア 71
証拠の信頼度 高
Skillstore 利用状況 17
更新済み

2026-09-09

Skillstore スコア

このスコアの理由 証拠の信頼度: 高
41
アーキテクチャ
85
保守性
87
コンテンツ
73
コミュニティ
91
仕様準拠

作成できるもの

تصور القياسات عالية الأبعاد

أنشئ تضمينات ثنائية الأبعاد قابلة لإعادة الإنتاج وقارن بين إعدادات البنية المحلية والبنية العامة.

إعداد السمات للتجميع

اضبط أبعاد UMAP وإعدادات الكثافة قبل تطبيق HDBSCAN والتحقق من المجموعات المكتشفة.

إسقاط بيانات جديدة أو مصنفة

استخدم التحويلات الخاضعة للإشراف أو شبه الخاضعة للإشراف أو القياسية أو البارامترية لإنشاء مسارات تضمين قابلة لإعادة الاستخدام.

これらのプロンプトを試す

إنشاء تصور أساسي باستخدام UMAP
وحّد مقاييس مجموعة بياناتي الرقمية، واضبط تضمين UMAP ثنائي الأبعاد قابلًا لإعادة الإنتاج، واشرح كيفية رسمه باستخدام التسميات المقدمة.
ضبط معلمات UMAP
قارن عدة إعدادات لقيمتي n_neighbors وmin_dist لمجموعة بياناتي. أوصِ بقيم مناسبة للتفاصيل المحلية والبنية العامة والفصل البصري.
تصميم مسار تجميع
صمم مسار عمل آمنًا من تسرب البيانات باستخدام UMAP وHDBSCAN لمجموعة البيانات هذه. استخدم من خمسة إلى عشرة أبعاد للتضمين واشرح كيفية التحقق من صحة المجموعات.
اختيار أحد متغيرات UMAP المتقدمة
اختر لهذا المشروع بين UMAP القياسي والخاضع للإشراف وParametric وAlignedUMAP. برر اختيار المقاييس واستراتيجية التحويل وقابلية إعادة إنتاج النتائج والتقييم.

ベストプラクティス

  • وحّد مقاييس السمات الرقمية قبل ملاءمة UMAP كي لا تهيمن الأعمدة ذات القيم الكبيرة على المسافات.
  • اضبط random_state وقارن عدة عمليات تشغيل عندما تعتمد الاستنتاجات على هندسة التضمين.
  • تحقق من صحة المجموعات باختبارات الثبات والأدلة المتخصصة بالمجال بدلًا من الاعتماد على الفصل البصري وحده.

回避

  • لا تستخدم تضمين تصور ثنائي الأبعاد بوصفه الأساس الوحيد لقرارات التجميع.
  • لا تلائم المعالجة المسبقة أو UMAP على بيانات الاختبار قبل تقييم النماذج اللاحقة.
  • لا تقارن المسافات أو أحجام المجموعات على افتراض أن UMAP يحافظ على جميع العلاقات في الفضاء الأصلي.

よくある質問

متى ينبغي أن أستخدم UMAP بدلًا من PCA؟
استخدم UMAP لبنية الجوار غير الخطية. واستخدم PCA عندما تكون المكونات الخطية أو التحميلات المباشرة أو بساطة إعادة إنتاج النتائج أكثر أهمية.
أي مقياس ينبغي أن أختار؟
استخدم المسافة الإقليدية للبيانات الرقمية موحدة المقاييس، ومسافة جيب التمام لمتجهات المستندات، ومسافة Hamming أو Jaccard للبيانات الثنائية.
هل يمكن استخدام UMAP لدعم التجميع؟
نعم. استخدم أكثر من مكونين ومسافة دنيا منخفضة، وتحقق من صحة المجموعات بصورة مستقلة لأن UMAP قد يغير الكثافة.
هل يمكنني تحويل بيانات جديدة؟
نعم. أعد استخدام خطوات المعالجة المسبقة الملائمة ونموذج UMAP، مع التحقق من أن البيانات الجديدة تشبه توزيع بيانات التدريب.
كيف أجعل النتائج قابلة لإعادة الإنتاج؟
اضبط random_state، واحتفظ بمعلمات المعالجة المسبقة، وسجل إصدارات الحزم، وقارن عمليات التشغيل المتكررة عندما يكون الثبات مهمًا.
هل تشغّل هذه المهارة UMAP تلقائيًا؟
لا. توفر إرشادات وأمثلة لمسارات العمل كي يكيفها Claude وCodex وClaude Code مع بياناتك.

開発者情報

作成者

davila7

ライセンス

MIT

Skillstore リビジョン

r2

バージョンに関する注意

作者はバージョンを宣言していません。

参照

c43861a65bb95efcae259cd161c9d6f4dc7eec6f

メンテナンスの新しさ

2026/7/28

利用状況

5 ダウンロード · 396 閲覧

ファイル構成