UMAP

UMAP 把高维数据中相近的样本放在一起，常用于单细胞数据的分群展示；与 t-SNE 相比，它在一定程度上保留更大尺度的结构，计算也更快。

n_neighbors 越大越强调整体结构、越小越强调局部细节（常用 5–50）；min_dist 控制点在簇内挤得多紧（常用 0.0–0.5）。

簇的大小、簇间距离与坐标数值仍不宜直接比较；同一随机种子下结果可重复，不同种子图形会有差异。

基因表达矩阵建议先对数转换，并用 PCA 降到前 30–50 个主成分（默认 50）；可信度（0–1，越高越好）衡量局部邻居是否被保留。

本工具为浏览器内的简化实现（精确近邻、谱初始化、单线程优化），结构与常用 Python 实现相似但坐标不逐点相同；请改好参数后点「运行」。

方法说明

McInnes L., Healy J. & Melville J. (2018) arXiv:1802.03426。模型同 umap-learn（a、b 由 min_dist 与 spread 拟合，与 umap-learn find_ab_params 相差 < 1e-4）；与其差别：精确 k 近邻代替 NN-descent、自带随机数序列、单线程。示例数据上可信度与 umap-learn 相差不超过 0.03。

数据量

最多 5,000 个样本。