📊

umap-learn

Name: umap-learn
Author: davila7

Sûr ⚙️ Commandes externes🌐 Accès réseau

Aplicar UMAP para redução de dimensionalidade

Également disponible depuis: K-Dense-AI

Dados de alta dimensionalidade são difíceis de visualizar e analisar. O UMAP fornece redução de dimensionalidade não linear rápida que preserva tanto a estrutura local quanto global para visualizações 2D/3D claras e pré-processamento eficaz de agrupamento.

Prend en charge: Claude Codex Code(CC)

📊 69 Adéquat

Télécharger le ZIP du skill

Importer dans Claude

Allez dans Paramètres → Capacités → Skills → Importer un skill

Activez et commencez à utiliser

Tester

Utilisation de "umap-learn". Generate a UMAP embedding for my dataset

Résultat attendu:

1. Import umap and StandardScaler
2. Pré-processar: escalar dados para intervalos comparáveis
3. Configurar UMAP: n_neighbors=15, min_dist=0.1, n_components=2
4. Ajustar e transformar: embedding = umap.UMAP().fit_transform(scaled_data)
5. Visualizar com gráfico de dispersão matplotlib

Utilisation de "umap-learn". Prepare my data for clustering with HDBSCAN

Résultat attendu:

Usar UMAP com n_neighbors=30, min_dist=0.0, n_components=10
Escalar dados primeiro com StandardScaler
Aplicar HDBSCAN com min_cluster_size=15
Resultado: separação de cluster mais densa para análise downstream

Utilisation de "umap-learn". Use UMAP with labeled data for supervised learning

Résultat attendu:

Passar rótulos via parâmetro y: fit_transform(data, y=labels)
Ajustar target_weight (0.5 padrão) para balancear rótulos vs estrutura
target_weight mais alto = mais separação de classes
target_weight mais baixo = mais estrutura de dados preservada

Audit de sécurité

Sûr

v5 • 1/17/2026

This skill is pure documentation containing markdown files with Python code examples for UMAP library usage. All 118 static findings are FALSE POSITIVES: backticks detected are markdown code fences, the source URL is legitimate metadata, and cryptographic keywords appear only in text strings. No executable scripts, network calls, file access, or command execution capabilities exist.

Fichiers analysés

1,197

Lignes analysées

résultats

Total des audits

Facteurs de risque

⚙️ Commandes externes (106)

🌐 Accès réseau (1)

skill-report.json:6

Audité par: claude Voir l’historique des audits →

Score de qualité

Architecture

100

Maintenabilité

Contenu

Communauté

100

Sécurité

Conformité aux spécifications

Ce que vous pouvez construire

Visualizar conjuntos de dados complexos

Reduzir expressão gênica, embeddings de texto ou características de imagem para 2D para análise exploratória e apresentação.

Pré-processar para agrupamento

Aplicar UMAP antes do HDBSCAN para superar a maldição da dimensionalidade e melhorar a separação de clusters.

Analisar conjuntos de dados rotulados

Usar UMAP supervisionado com informações de rótulos para separar classes conhecidas enquanto preserva a estrutura interna.

Essayez ces prompts

Visualização básica

Use UMAP to reduce my data to 2 dimensions for visualization. Show me how to configure n_neighbors and min_dist parameters.

Fluxo de trabalho de agrupamento

Help me use UMAP as preprocessing for HDBSCAN clustering. What parameters should I use for best clustering results?

Análise supervisionada

I have labeled data. Show me how to use supervised UMAP to separate classes while preserving structure.

Paramétrico avançado

Explain parametric UMAP with TensorFlow/Keras. When should I use it over standard UMAP and how do I define custom architectures?

Bonnes pratiques

Sempre padronizar características com StandardScaler antes de aplicar UMAP para ponderação igual de dimensões
Usar n_neighbors=30 e n_components=5-10 para pré-processamento de agrupamento (não visualização 2D)
Definir random_state para resultados reproduzíveis em pipelines de produção

Éviter

Aplicar UMAP a dados não escalonados pode produzir embeddings enganosos com características artificialmente ponderadas
Usar n_neighbors=15 padrão para agrupamento cria clusters artificiais fragmentados
Esperar que transform() funcione bem quando a distribuição de dados de teste difere significativamente dos dados de treinamento

Foire aux questions

Qual é a diferença entre UMAP e t-SNE?

UMAP é mais rápido, escala melhor para dimensões mais altas e preserva mais estrutura global enquanto mantém detalhes de vizinhança local.

Quais parâmetros funcionam melhor para agrupamento?

Usar n_neighbors=30, min_dist=0.0 e n_components=5-10 em vez dos padrões de visualização.

UMAP pode se integrar com pipelines do scikit-learn?

Sim, UMAP segue as convenções do scikit-learn e funciona perfeitamente em Pipeline com StandardScaler e classificadores.

Meus dados estão seguros ao usar UMAP?

Sim, UMAP executa localmente e não envia dados para serviços externos. Todo o processamento acontece em sua máquina.

Por que meus clusters estão desconectados?

Aumentar n_neighbors para enfatizar a estrutura global. n_neighbors baixo cria vizinhanças locais fragmentadas.

Quando devo usar UMAP Paramétrico?

Usar UMAP Paramétrico quando você precisa de transformação eficiente de novos dados após o treinamento ou deseja capacidades de reconstrução.

Détails du développeur

Auteur

davila7

Licence

MIT

Dépôt

https://github.com/davila7/claude-code-templates/tree/main/cli-tool/components/skills/scientific/umap-learn

Réf

main

Structure de fichiers

📁 references/

📄 api_reference.md

📄 SKILL.md