UMAP-learn 차원 축소 도우미

무엇을 해주나

• UMAP의 4대 파라미터(n_neighbors, min_dist, n_components, metric)를 목적별(시각화/클러스터링/ML 파이프라인)로 어떻게 잡아야 하는지 기준을 제시합니다.
• 지도·준지도 UMAP(y=labels, 미라벨은 -1), HDBSCAN 연계 클러스터링, transform()으로 신규 데이터 투영, 역변환(inverse_transform), AlignedUMAP, Parametric UMAP까지 코드 예제로 안내합니다.
• "클러스터가 조각남", "모든 점이 한 덩어리로 뭉침", "NaN 입력 오류", "로컬 umap.py 파일이 패키지를 가림" 같은 자주 겪는 문제의 원인과 해결책을 정리해 줍니다.
• 재현성(random_state)과 성능(병렬성) 사이의 트레이드오프도 설명합니다.

이런 분께 추천

• scikit-learn 기반으로 EDA·시각화를 하는 데이터 분석가/과학자
• 단일세포 RNA-seq, 임베딩 벡터, 텍스트 문서 벡터 등 고차원 데이터를 다루는 연구자
• t-SNE 대신 더 빠르고 확장성 있는 차원 축소를 시도하려는 ML 엔지니어

활용 예시

1. "이 임베딩 행렬을 2D로 줄여서 라벨별로 색칠한 산점도를 그려줘" → 표준화 → UMAP(n_neighbors=15, min_dist=0.1) → matplotlib 시각화 코드 생성.
2. "HDBSCAN으로 군집을 찾고 싶은데 차원이 너무 높아" → n_neighbors=30, min_dist=0.0, n_components=10으로 축소 후 HDBSCAN + Adjusted Rand Score 평가 파이프라인 작성.
3. "학습된 UMAP으로 새 배치 데이터를 같은 좌표계에 투영해줘" → fit/transform 분리 또는 분포가 달라지는 경우 Parametric UMAP 전환 제안.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/K-Dense-AI/scientific-agent-skills/HEAD/skills/umap-learn/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 K-Dense-AI/scientific-agent-skills 의 skills/umap-learn 폴더를 내 ~/.claude/skills/umap-learn/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.