📦

umap-learn

Name: umap-learn
Author: davila7

Revisión del contenido r2 Seguro ⚙️ Comandos externos

Cree mejores embeddings UMAP

Los datos de alta dimensionalidad son difíciles de visualizar, agrupar y reutilizar en flujos de aprendizaje automático. Esta habilidad ofrece orientación práctica para configurar, ajustar, transformar y evaluar UMAP.

Compatible con: Claude Codex Code(CC)

📊 76 Adecuado

Maintain this Skill? Claim it 📊 76 Adecuado

Instalar con mi Agente

Copia esta solicitud en tu Agente. Incluye la página canónica del Skill y el manifiesto.

Solicitud de agente

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.

Tu Agente debe seguir mostrando su plan y solicitar cualquier confirmación exigida por la política de seguridad.

Recursos legibles por agentes

Usa estos enlaces cuando un agente de IA, crawler o script necesite contexto limpio en vez de leer la página completa.

Detalle Markdown GET /skills/davila7-umap-learn.md Manifest firmado GET /api/skills/davila7-umap-learn/manifest Lockfile firmado GET /api/skills/davila7-umap-learn/lockfile

Pruébalo

Usando "umap-learn". Tengo características estandarizadas de clientes y necesito una visión general bidimensional.

Resultado esperado:

Comience con 15 vecinos, una distancia mínima de 0.1, distancia euclidiana y una semilla aleatoria fija. Compare varias semillas antes de interpretar la estructura.

Usando "umap-learn". Quiero obtener agrupamientos HDBSCAN a partir de 120 características numéricas.

Resultado esperado:

Estandarice las características mediante estadísticas de los datos de entrenamiento.
Reduzca a cinco o diez dimensiones UMAP con la distancia mínima establecida en cero.
Ajuste HDBSCAN y valide la estabilidad con varias configuraciones de parámetros.

Usando "umap-learn". Debo generar embeddings de observaciones futuras después del entrenamiento.

Resultado esperado:

Ajuste el escalador y el modelo UMAP con los datos de entrenamiento, reutilice ambos para las observaciones nuevas y supervise el cambio de distribución.

Auditoría de seguridad

Seguro

v9 • 23/7/2026 Abrir el informe versionado

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.

Archivos escaneados

1,007

Líneas analizadas

Elementos de revisión

Falsos positivos ignorados

Factores de riesgo

⚙️ Comandos externos (46)

La auditoría estática y semántica completada más reciente no detectó hallazgos de seguridad confirmados. Esto no demuestra que el skill no tenga efectos secundarios.

Auditado por: codex Ver historial de auditorías →

Compartir y citar este informe

Comparte el informe de evaluación versionado, la insignia neutral, la tarjeta insertable y las citas. Skillstore presenta evidencias sin decidir si este Skill es seguro.

Abrir el informe versionado

Copiar enlace del informe

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

Insignia Markdown

[![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)

Insignia HTML

<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>

Tarjeta para insertar

<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>

Citas académicas (APA · BibTeX · CFF)

Cita APA

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

Cita BibTeX

@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"

Comparar variantes

2 variantes instalables

Cada autor sigue siendo un skill instalable independiente. La variante recomendada se ordena según la evidencia de Skillstore.

Por qué esta variante es la primera

Mayor puntuación de Skillstore

Autor / fuente Puntuación de Skillstore Confianza de la evidencia Uso en Skillstore Actualizado

davila7 Recomendado Actual

davila7-umap-learn

Puntuación de Skillstore 76

Confianza de la evidencia Alto

Uso en Skillstore 14

Actualizado

2026-09-09

K-Dense-AI

k-dense-ai-umap-learn

Puntuación de Skillstore 71

Confianza de la evidencia Alto

Uso en Skillstore 15

Actualizado

2026-09-09

Puntuación de Skillstore

Por qué esta puntuación Confianza de la evidencia: Alto

Arquitectura

Mantenibilidad

Contenido

Comunidad

Cumplimiento de la especificación

Lo que puedes crear

Visualizar mediciones de alta dimensionalidad

Cree embeddings bidimensionales reproducibles y compare configuraciones de estructura local y global.

Preparar características para el agrupamiento

Configure las dimensiones y los ajustes de densidad de UMAP antes de aplicar HDBSCAN y validar los grupos descubiertos.

Proyectar datos nuevos o etiquetados

Utilice transformaciones supervisadas, semisupervisadas, estándar o paramétricas para crear flujos de embeddings reutilizables.

Prueba estos prompts

Crear una visualización UMAP básica

Estandariza mi conjunto de datos numéricos, configura un embedding UMAP bidimensional reproducible y explica cómo representarlo gráficamente mediante las etiquetas proporcionadas.

Ajustar los parámetros de UMAP

Compara varias configuraciones de n_neighbors y min_dist para mi conjunto de datos. Recomienda valores para el detalle local, la estructura global y la separación visual.

Diseñar un flujo de agrupamiento

Diseña un flujo de UMAP y HDBSCAN que evite la fuga de datos para este conjunto de datos. Utiliza entre cinco y diez dimensiones de embedding y explica la validación de los agrupamientos.

Seleccionar una variante avanzada de UMAP

Elige entre UMAP estándar, supervisado, Parametric y AlignedUMAP para este proyecto. Justifica las métricas, la estrategia de transformación, la reproducibilidad y la evaluación.

Mejores prácticas

Escale las características numéricas antes de ajustar UMAP para que las columnas con valores elevados no dominen las distancias.
Establezca random_state y compare varias ejecuciones cuando las conclusiones dependan de la geometría del embedding.
Valide los agrupamientos con comprobaciones de estabilidad y evidencia del dominio, en lugar de confiar únicamente en la separación visual.

Evitar

No utilice un embedding de visualización bidimensional como único fundamento para tomar decisiones de agrupamiento.
No ajuste el preprocesamiento ni UMAP con datos de prueba antes de evaluar los modelos posteriores.
No compare distancias ni tamaños de agrupamientos como si UMAP conservara todas las relaciones del espacio original.

Preguntas frecuentes

¿Cuándo debería utilizar UMAP en lugar de PCA?

Utilice UMAP para representar la estructura no lineal de las vecindades. Utilice PCA cuando los componentes lineales, las cargas directas o una reproducibilidad más sencilla sean más importantes.

¿Qué métrica debería elegir?

Utilice la distancia euclidiana para datos numéricos escalados, la distancia del coseno para vectores de documentos y la distancia de Hamming o Jaccard para datos binarios.

¿Puede UMAP utilizarse para el agrupamiento?

Sí. Utilice más de dos componentes, una distancia mínima baja y una validación independiente de los agrupamientos, porque UMAP puede alterar la densidad.

¿Puedo transformar datos nuevos?

Sí. Reutilice los pasos de preprocesamiento ajustados y el modelo UMAP, comprobando que los datos nuevos sean similares a la distribución de entrenamiento.

¿Cómo puedo hacer que los resultados sean reproducibles?

Establezca random_state, conserve los parámetros de preprocesamiento, registre las versiones de los paquetes y compare ejecuciones repetidas cuando la estabilidad sea importante.

¿Esta habilidad ejecuta UMAP automáticamente?

No. Proporciona orientación sobre el flujo y ejemplos para que Claude, Codex y Claude Code los adapten a sus datos.