在聚类一个包含近 3000 列和 50k 行的相当大的稀疏二进制矩阵之前，我正在使用降维步骤。
我的想法是使用 UMAP 将 3000 个维度嵌入到一个二维空间中，然后使用 HDBScan 对生成的 50,000 个二维点进行聚类。
我发现 UMAP 接受许多选项，例如metric、和n_neighbors，但我不知道什么应该是给我不同集群的最佳组合。对于在大多数情况下最有效的二进制数据，是否有任何关于使用 UMAP 降维的建议或最佳实践，或者我是否希望在找不到合适的组合之前使用参数？min_distspread
第一步是随机抽取约 3000 行样本，以便在考虑整个数据集之前尝试多个选项并快速找到好的选项。
注意：在大多数情况下，如果你有一个自然分布，一个随机样本就可以很好地代表它的整个数据集，即使它是 5%。
那么最具代表性的选项是“n_neighbors”，因为它会计算相关点的密度：非常低的值（例如：2）将具有非常集中的集群，而非常高的值（例如：200）将具有非常稀疏的集群集群。在对您的样本进行几次尝试之后，最佳值将介于两者之间（可能是 50 或 100）。
“min_dist”是低维点之间的最小距离，一般来说，如果你想要清晰的簇，它应该是0.0。
二进制数据的“度量”如下：
最佳选择取决于您的业务领域。汉明总体上效果很好。
您还可以在此网站上使用不同的参数：https ://pair-code.github.io/understanding-umap/