给你的UMAP瘦身
挖掘到了一个段子手学徒，总是给我惊喜。把枯燥无味的知识点讲解的让人捧腹大笑！
你有没有因为单细胞聚类结果混沌不清而惆怅！
你有没有因为找不到亚群之间的边界而皱眉！
不要998，不要888，也不要688！在这里，就在这里！只需要两个参数。
UMAP的出现，已经让大家从tSNE的一团麻中解脱了出来，但是仍然会面对一些UMAP计算后还是混沌的结果，就像下面这个图一样，它分开了，但是感觉又没有完全分开，一时间还以为是tSNE的结果（不是），这时候温柔大方的师姐，提供了一条路子，帮它体面了一下
这个参数就是RunUMAP() 自带的参数，修改之后是 ：
sce.all <- RunUMAP(sce.all, dims = 1:30, min.dist = 0.01, n.neighbors = 4L)
其对应的结果是这样的：
啪的一下，就瘦了，很快啊！
通过上面的代码可以知道实际就是多了两个参数， min.dist 和 n.neighbors，首先来看一下UMAP官方是如何解释这两个参数的：
1、min-dist, the desired separation between close points in the embedding space
2、n, the number of neighbors to consider when approximating the local metric
一个是亚群内相邻两个点的期望距离，另一个是局部尺度下的邻近分群的数量，在分析中，这两个参数被默认设置为 min.dist = 0.3 和 n.neighbors = 30L ，如果当我们的结果相对模糊，可以根据实际情况调整这两个参数，UMAP官方也给出了一些实例来说明这个问题：
短时间的暴瘦带来的伤害肯定是无法忽视的，如同我提供的两个图例中的结果，肉眼可见的出现了很多的小亚群，虽然大的亚群的整体结构没有变化，但是新的结果明显已经支棱起来了。
最后，请根据实际情况调整，文中示例已经调整到了一个相对极端的数值了。
文末友情推荐
做教学我们是认真的，如果你对我们的马拉松授课（直播一个月互动教学）有疑问，可以看完我们从2000多个提问互动交流里面精选的200个问答！
与十万人一起学生信，你值得拥有下面的学习班：