2025年1月9日 · umap 图，全称是 统一流形逼近与投影图 ，是数据降维可视化的神器 它能把复杂的高维数据，巧妙地投影到二维或三维空间，让我们一眼看清数据分布与关系。

2023年9月16日 · UMAP是一种非线性降维和可视化算法，全称为Uniform Manifold Approximation and Projection（均匀流形近似和投影）。 它是一种基于图论和流形学习的方法，用于将高维数据映射到低维空间，以便于可视化和分析。 UMAP的主要目标是保持数据点之间的局部结构和全局结构。 它通过构建数据点之间的邻近关系图，并利用图的拓扑结构进行流形近似和优化。 UMAP使用了一种称为高维距离的度量方式，在低维空间中通过最小化原始距离和映射距离之间的差异来 …

2025年1月11日 · Nebulosa 是一个基于核密度估计可视化单细胞数据的 R 包，主要通过结合细胞之间的相似性来恢复丢失特征中的信号，从而实现细胞特征的“卷积”。 学习官网： https://bioconductor.org/packages/devel/bioc/vignettes/Nebulosa/inst/doc/nebulosa_seurat.html. Nebulosa 的主要功能是 plot_density，让我们按照以下方式绘制 一些marker基因 的核密度估计图，展示的marker基因表达水平高低：

2024年3月3日 · 降维算法：在单细胞转录组生信分析中，常见的降维算法有两种，UMAP(Uniform Manifold Approximation and Projection) 和T-SNE(t-distributed stochastic neighbor embedding)。 UMPA 运算速度会更快，并且在保留数据结构的同时提供了更好的扩展性。

一种降维技术，假设可用数据样本均匀（Uniform）分布在拓扑空间（Manifold）中，可以从这些有限数据样本中近似（Approximation）并映射（Projection）到低维空间。 上面对算法的描述可能会对我们理解它的原理有一点帮助，但是对于UMAP是如何实现的仍然没有说清楚。 为了回答“如何”的问题，让我们分析UMAP执行的各个步骤。 我们可以将UMAP分为两个主要步骤: 找到该流形的低维表示。 下面我们将把它分解成更小的部分，以加深我们对算法的理解。 下面的地图显示 …

2025年1月9日 · UMAP（Uniform Manifold Approximation and Projection）是一种非线性降维技术，主要用于数据可视化和异常检测。 它通过构建数据的拓扑 图 并优化低维表示，能够在保留数据结构和相对距离的同时，将高维数据映射到低维空间。

2025年3月10日 · UMAP（Uniform Manifold Approximation and Projection）的横空出世，解决了这些问题。 UMAP的优势 ：在笔记本电脑上，它只需几分钟就能将百万级高维数据降到2D/3D，同时保留数据的全局结构和局部细节。

2024年6月22日 · 全网最好看的单细胞umap图绘制教程. 作者按. 大家或许都曾被Nature, Science上的单细胞umap图吸引过，不免心生崇拜。在这里，我们将介绍一种简单方便的顶刊级umap图可视化. 全文字数|预计阅读时间: 2000|5min ——Starlitnightly（星夜） 环境加载. 我们先导 …

2024年9月9日 · 一、【umap图】定义&用途. 1．定义：umap图是一种基于非线性降维的可视化方式，将高维数据映射到二维或三维空间，并保持数据之间的相对距离和结构，从而使得聚类、异质性和样本间的差异更为明显。 2．用途：

UMAP（Uniform Manifold Approximation and Projection）是一种广泛用于高维数据降维的算法，在单细胞分析中常用于可视化细胞的聚类和群体关系。 以下是 UMAP 的常见参数及调整建议。