UMAP-learn 차원 축소 도우미

무엇을 해주나

UMAP(Uniform Manifold Approximation and Projection)을 활용한 비선형 차원 축소 작업 전반을 Claude가 안내합니다.

• n_neighbors, min_dist, n_components, metric 4대 파라미터의 의미와 값 범위별 효과 정리
• 시각화용 / 클러스터링 전처리용 / ML 파이프라인용 설정을 각각 구분해 제안
• 지도·준지도 UMAP(y=labels, 미라벨은 -1), HDBSCAN 연계 클러스터링 워크플로
• Parametric UMAP(신경망 인코더), inverse_transform, AlignedUMAP 등 고급 기능
• 재현성(random_state), NaN 처리, 파일명 충돌 등 흔한 오류 해결법

이런 분께 추천

• scRNA-seq, 임베딩 벡터 등 고차원 데이터를 시각화해야 하는 연구자·데이터 분석가
• t-SNE 대신 더 빠르고 전역 구조를 잘 보존하는 방법을 찾는 분
• UMAP + HDBSCAN 조합으로 군집을 뽑아내려는 ML 엔지니어
• 학습된 축소 모델로 새 데이터를 투영해야 하는 파이프라인 개발자

활용 예시

1. "이 유전자 발현 행렬을 UMAP으로 2D 시각화해줘" → 표준화 → UMAP(n_neighbors=15, min_dist=0.1) → matplotlib 산점도 코드까지 생성.
2. "클러스터를 찾고 싶어" → 시각화용이 아닌 n_neighbors=30, min_dist=0.0, n_components=10 설정으로 임베딩 후 HDBSCAN을 적용하고 Adjusted Rand Score로 평가.
3. "학습 후 새 데이터도 계속 투영해야 해" → 분포 변화 위험을 설명하고 Parametric UMAP 인코더 정의 + save()/load_ParametricUMAP() 저장 방식을 제시.

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.