Créez de meilleures représentations UMAP
Les données de grande dimension sont difficiles à visualiser, à regrouper et à réutiliser dans des pipelines d'apprentissage automatique. Cette compétence fournit des conseils pratiques sur la configuration, l'ajustement, la transformation et l'évaluation d'UMAP.
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。
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。
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。
「umap-learn」を使用しています。 J'ai standardisé les caractéristiques de mes clients et j'ai besoin d'une vue d'ensemble bidimensionnelle.
期待される結果:
Commencez avec 15 voisins, une distance minimale de 0,1, la distance euclidienne et une graine aléatoire fixe. Comparez plusieurs graines avant d'interpréter la structure.
「umap-learn」を使用しています。 Je souhaite obtenir des groupes HDBSCAN à partir de 120 caractéristiques numériques.
期待される結果:
「umap-learn」を使用しています。 Je dois représenter de futures observations après l'entraînement.
期待される結果:
Ajustez le modèle de mise à l'échelle et le modèle UMAP sur les données d'entraînement, réutilisez-les tous les deux pour les nouvelles observations et surveillez la dérive de distribution.
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.
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。
https://skillstore.io/skills/davila7-umap-learn/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-umap-learn?utm_source=security_passport_badge)<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><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>davila7. (2026). umap-learn security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-umap-learn/audits/9@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}
}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"
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
Créez des représentations bidimensionnelles reproductibles et comparez les paramètres privilégiant la structure locale à ceux privilégiant la structure globale.
Configurez les dimensions et les paramètres de densité d'UMAP avant d'appliquer HDBSCAN et de valider les groupes découverts.
Utilisez des transformations supervisées, semi-supervisées, standard ou paramétriques pour créer des workflows de représentation réutilisables.
Standardisez mon jeu de données numériques, configurez une représentation UMAP bidimensionnelle reproductible et expliquez comment la tracer à l'aide des étiquettes fournies.
Comparez plusieurs valeurs de n_neighbors et min_dist pour mon jeu de données. Recommandez des valeurs adaptées aux détails locaux, à la structure globale et à la séparation visuelle.
Concevez pour ce jeu de données un workflow UMAP et HDBSCAN empêchant les fuites de données. Utilisez cinq à dix dimensions de représentation et expliquez la validation des groupes.
Choisissez entre UMAP standard, supervisé, Parametric et AlignedUMAP pour ce projet. Justifiez les métriques, la stratégie de transformation, la reproductibilité et l'évaluation.
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
Créer des posters de recherche en LaTeX
Les posters de recherche sont difficiles à mettre en forme et à vérifier pour l’impression dans LaTeX. Cette compétence fournit des modèles, des conseils de mise en page et des vérifications PDF pour des posters prêts pour les conférences.
Créer du contenu marketing prêt pour le SEO
Les équipes marketing ont besoin d’un contenu clair qui correspond à la voix de marque et aux objectifs de recherche. Cette compétence fournit des modèles, des scripts d’analyse et des conseils par plateforme pour une production de contenu répétable.
Créer des plans de traitement médical structurés
Les plans de traitement clinique deviennent souvent incohérents, trop longs ou difficiles à examiner. Cette compétence fournit des modèles ciblés, des objectifs mesurables, des échéanciers et des contrôles qualité locaux.
Créer des rapports cliniques structurés
Les équipes cliniques ont besoin de rapports clairs qui respectent les normes médicales et réglementaires. Cette compétence fournit des modèles, des listes de contrôle et des conseils de validation pour les rapports de cas, les diagnostics, les essais et les notes patient.
Analyser des fichiers de données scientifiques
Les fichiers de données scientifiques sont difficiles à examiner, car chaque format stocke différemment la structure et les métadonnées. Cette compétence détecte les formats, évalue la qualité des données et crée des rapports EDA pratiques en markdown.
Exécuter des workflows d’amarrage moléculaire avec DiffDock
La configuration de l’amarrage moléculaire échoue souvent parce qu’il est difficile d’aligner les entrées, les paramètres et les scores de confiance. Cette compétence guide les workflows DiffDock, de la préparation à l’examen des résultats.
Visualize Personal Finances in a Local Report
作成者 jasonhmy
Financial records can obscure spending patterns when transfers, refunds, and shared purchases are mixed together. This skill reconciles authorized records and creates local interactive charts with transaction details and optional daily allowances.
Analyser des jeux de données de ML thérapeutique avec PyTDC
作成者 K-Dense-AI
Les équipes de découverte de médicaments ont besoin de jeux de données fiables et de protocoles d’évaluation équitables. Cette skill aide Claude à utiliser PyTDC pour des données de ML thérapeutique organisées, des splits de benchmark, des métriques et des oracles moléculaires.
Concevoir des expérimentations et des modèles de science des données
作成者 alirezarezvani
Les projets de science des données échouent souvent lorsque les expériences, les caractéristiques et les modèles manquent d’une structure statistique claire. Cette compétence fournit à Claude, Codex et Claude Code des workflows guidés pour l’expérimentation, l’ingénierie des caractéristiques et la revue de modèles.
Valider les workflows ML pour détecter les antipatterns cachés
作成者 Doyajin174
Les projets ML peuvent sembler précis alors que des fuites de données ou une évaluation faible masquent de graves défauts. Cette compétence guide des vérifications structurées des découpages, des métriques, de l’entraînement et de la préparation au déploiement.
Déboguer les échecs d’entraînement ML
作成者 DNYoussef
L’entraînement ML peut échouer à cause d’une perte NaN, d’un surapprentissage, d’une convergence lente ou de gradients instables. Cette skill guide le diagnostic, les corrections ciblées, la validation et le reporting.
Créer une détection d’anomalies Java avec Azure AI
作成者 sickn33
Les équipes Java ont besoin de modèles fiables pour détecter les comportements inhabituels dans les séries temporelles. Cette skill fournit des exemples Azure AI Anomaly Detector pour les clients, les modèles, l’inférence et les erreurs.