别被UMAP骗了：你看到的聚类可能是算法造假

在做用户画像分群、大模型文本嵌入（Embedding）分析或者生物信息学分析时，很多团队都有过这样的体验：把成百上千维的高维向量丢进 UMAP 或 t-SNE，降到二维平面画个散点图。屏幕上立刻浮现出几块边界分明的「数据孤岛」。

团队兴奋地给每个团簇打上标签，甚至直接在二维坐标上跑 K-Means，以为发现了绝妙的细分市场或潜在模式。

停下来，冷静一下。这些看起来泾渭分明的聚类，很可能是算法凭空捏造出来的数学幻觉。

降维算法对比

上图对比了不同降维算法处理相同数据时的表现：

同一个数据集，为什么会有截然相反的视觉呈现？

因为它们的目标函数从底层就完全不同。

t-SNE / UMAP 是非线性降维，优化目标是局部邻居关系（Local Neighborhood）。它们最关心「谁挨着谁」。算法会施加极强的局部引力把近邻绑在一起，同时用极强的排斥力推开稍远的数据点。
PCA / MDS 是线性或全局保距算法，优化目标是全局方差与几何大尺度距离（Global Geometry）。它们最在乎「两块数据到底隔着多远」。

这就带来了一个残酷的事实：UMAP 和 t-SNE 最擅长保留「谁是你的邻居」，但在保留「你离别人到底有多远」上表现极差。

即使你的高维数据原本是连续均匀分布的流形，只要局部密度有微弱扰动，UMAP 就会像切蛋糕一样把它撕开，在二维画布上拼凑出若干个看起来毫不相干的独立团块。

许多人看降维图时常犯一个直觉错误：不仅看点与点是否聚在一簇，还拿尺子去量簇与簇之间的间距。

「看，簇 A 和簇 B 离得很近，说明这两个品类的用户心智相似；簇 C 飘在十万八千里外，说明是极端异构群体。」

这种推论在数学上完全站不住脚。在 UMAP 和 t-SNE 的投影机制下：

簇与簇的跨度距离被彻底扭曲：为了在二维空间摆下复杂的拓扑网络，算法会随意挤压或拉伸全局空间。两个簇在图上隔得很远，高维空间里可能相距很近；图上贴在一起的两个簇，高维真实距离可能天差地别。
簇的体积大小不代表方差：一个原本松散稀疏的高维分布，被局部引力强行聚拢后，可能缩成一个极小、高密度的紧凑圆点。

你在图上看到的距离和面积，很大程度上只是优化求解器在低维空间摆放拓扑图时的排版结果，与真实语义相似度无关。

机器学习工作流中最忌讳的动作，就是把经过 UMAP/t-SNE 压缩后的二维坐标，作为后续聚类算法（如 K-Means 或 DBSCAN）的输入特征。

把高维嵌入压成 2D 已经丢失了绝大部分维度的几何信息，并引入了非线性的局部撕裂。如果你直接对 2D 坐标聚类，实际上是在让算法对「降维算法产生的投影畸变」进行聚类，而不是对原始数据聚类。

这种操作纯粹是在给算法伪影发合格证。

处理高维嵌入向量时，正确的工程实践应当遵循以下原则：

聚类永远在高维原生空间完成
要做用户聚类、文档去重或意图识别，直接在原生的 512 维或 768 维空间跑聚类。高维下欧氏距离容易退化，可以选用余弦相似度搭配层次聚类、高斯混合模型，或者针对高维向量索引的专门图聚类算法（如 Leiden / Louvain）。
UMAP 仅用于视觉展示与辅助排查
将聚类完成后的「类别标签」作为颜色，映射回 UMAP 的二维图里去观察。如果原本高维聚好的一类在 UMAP 里被撕成两半，不要慌张，先回头去算高维层面的类内距离分布，别被二维画布牵着鼻子走。
多算法交叉校验
在做探索性数据分析（EDA）时，不要只看一张 UMAP 图。同时画出 PCA 前两个主成分散点图。如果 PCA 上呈现的是一整片连续渐变，而 UMAP 呈现出断裂孤岛，就必须警惕：你很可能把一段连续变化的特征谱，误判成了若干离散分类。