高维数据可视化是分析中的关键挑战，t-SNE和UMAP是两大主流非线性方法。本文深入解析二者的核心原理、关键参数及适用场景，特别是它们在单细胞数据分析中的应用，旨在帮助读者更好地理解并选择合适的可视化工具。
智能速览
t-SNE与UMAP都侧重于保留数据的局部结构。
实际应用中，通常先用PCA降维再输入这两种算法。
t-SNE通过概率分布和KL散度来复刻高维关系。
UMAP基于拓扑图论，能更好地保留全局结构。
t-SNE计算成本高且不保留全局距离，UMAP则更高效。
调整UMAP的n_neighbors和min_dist参数可改变可视化效果。
精华内容
要理解这两种强大工具的差异，必须深入其数学原理与参数设定的细节。
核心思想：局部结构优先
与PCA从全局视角寻找主成分不同，t-SNE和UMAP的核心在于保留高维数据的局部邻域关系。它们首先计算每个样本在高维空间中的相似性，找到各自的“邻居”，然后通过降维，在二维或三维空间中尽可能地复刻这种邻里关系。因此，这两种算法能揭示数据中细微的聚类结构。
在实践中，由于计算效率和降噪需求，通常先对数据进行PCA降维，并选取前30到50个主成分作为t-SNE或UMAP的输入，这在单细胞数据分析中已是标准流程。
t-SNE原理剖析
t-SNE通过条件概率来衡量高维空间中样本的相似性，概率越大表示越相似。其关键参数“困惑值”可理解为期望的邻居数量，值越小越关注局部，值越大则兼顾全局。
随后，它在低维空间中用Student T分布构建相似的分布，利用T分布的重尾特性避免样本点过度拥挤。最后，通过最小化高维与低维两个概率分布的KL散度，不断优化样本在低维空间的坐标，使分布尽可能接近。但t-SNE计算复杂度高，且不保留全局距离，更适合用于可视化探索而非定量分析。
UMAP原理剖析
UMAP作为一种更高效的替代方案，其理论建立在流形学习和拓扑图论之上，旨在同时保留数据的局部和全局几何关系。
它首先在高维空间构建一个加权的邻域图，节点间的权重由相似性决定。接着，UMAP引入“模糊拓扑结构”的概念，将邻居关系视为模糊连接，用概率表示连接强度。最后，通过最小化高维与低维模糊拓扑结构的交叉熵损失，在低维空间中重建邻域图结构。这使得UMAP在可视化时，能更好地维持数据点之间的相对距离。
参数与实践选择
两种算法的关键参数都影响着可视化结果。t-SNE的“困惑值”与UMAP的`n_neighbors`参数作用类似，用于控制关注范围：值越小，聚类越分散，关注局部；值越大，聚类越紧密，关注全局。
UMAP还有一个`min_dist`参数，控制低维空间中点的紧密程度，值越小聚类越紧凑，值越大分布越平滑。在实际应用中，如果一种方法的可视化效果不理想，可以尝试切换算法或调整上述关键参数，以达到更理想的探索效果。
t-SNE和UMAP为探索高维数据提供了强大的可视化视角，理解其原理是有效应用的前提。面对具体的数据集时，如何通过参数调整来揭示隐藏的结构，正是这两种工具的魅力所在。
