UMAPとは？
ゆーまっぷ
UMAPとは、高次元データを2次元・3次元に圧縮して可視化・分析するための次元削減アルゴリズムで、データの局所的な構造を保ちながら高速に処理できます。
UMAP（Uniform Manifold Approximation and Projection）は、2018年にLeland McInnesらが発表した次元削減アルゴリズムです。多数の特徴量を持つ高次元データを人間が視覚的に把握できる2次元や3次元の空間に圧縮し、データのパターン・クラスター・外れ値を探索するために使われます。
UMAPは数学的にはリーマン幾何学と位相的データ解析（TDA）の理論を基盤としています。データが高次元空間上の「多様体（マニフォールド）」に沿って分布するという仮定のもと、局所的な近傍関係を保ちながら低次元空間へ射影します。
従来の代表的手法t-SNEと比較したUMAPの主な優位点は次のとおりです。
- 処理速度：大規模データに対してt-SNEより大幅に高速です。
- 大域的構造の保持：クラスター間の相対的な位置関係もある程度保持します。
- 汎用性：次元削減後のデータをそのまま機械学習モデルの前処理として使用できます。
主な活用場面は、単細胞RNA-seq解析（バイオインフォマティクス）・画像特徴量の可視化・自然言語処理における埋め込みベクトルの探索・異常検知などです。PythonではUMAPライブラリ（umap-learn）として提供されており、scikit-learnと親和性の高いAPIで利用できます。
使い方・例文
数千次元の遺伝子発現データをUMAPで2次元に圧縮することで、異なる細胞タイプが別々のクラスターとして可視化され、細胞集団の多様性を直感的に把握できます。
この用語をシェア
最終更新: