我正在使用 UMAP ( https://umap-learn.readthedocs.io/en/latest/# ) 来减少数据中的维度。我的数据集包含 4700 个样本，每个样本有 120 万个特征（我想减少）。然而，尽管使用了 32 个 CPU 和 120GB RAM，这仍需要相当长的时间。特别是嵌入的构建速度很慢，并且在过去 3.5 小时内详细输出没有变化：
UMAP(dens_frac=0.0, dens_lambda=0.0, low_memory=False, n_neighbors=10,
verbose=True)
Construct fuzzy simplicial set
Mon Jul 5 09:43:28 2021 Finding Nearest Neighbors
Mon Jul 5 09:43:28 2021 Building RP forest with 59 trees
Mon Jul 5 10:06:10 2021 metric NN descent for 20 iterations
1 / 20
2 / 20
3 / 20
4 / 20
5 / 20
Stopping threshold met -- exiting after 5 iterations
Mon Jul 5 10:12:14 2021 Finished Nearest Neighbor Search
Mon Jul 5 10:12:25 2021 Construct embedding
有什么方法可以加快这个过程。我已经在使用稀疏矩阵（scipy.sparse.lil_matrix），如下所述：https ://umap-learn.readthedocs.io/en/latest/sparse.html 。此外，我还安装了 pynndescent（如此处所述：https ://github.com/lmcinnes/umap/issues/416 ）。我的代码如下：
from scipy.sparse import lil_matrix
import numpy as np
import umap.umap_ as umap
term_dok_matrix = np.load('term_dok_matrix.npy')
term_dok_mat_lil = lil_matrix(term_dok_matrix, dtype=np.float32)
test = umap.UMAP(a=None, angular_rp_forest=False, b=None,
force_approximation_algorithm=False, init='spectral', learning_rate=1.0,
local_connectivity=1.0, low_memory=False, metric='euclidean',
metric_kwds=None, n_neighbors=10, min_dist=0.1, n_components=2, n_epochs=None,
negative_sample_rate=5, output_metric='euclidean',
output_metric_kwds=None, random_state=None, repulsion_strength=1.0,
set_op_mix_ratio=1.0, spread=1.0, target_metric='categorical',
target_metric_kwds=None, target_n_neighbors=-1, target_weight=0.5,
transform_queue_size=4.0, unique=False, verbose=True).fit_transform(term_dok_mat_lil)
是否有任何技巧或想法如何使计算更快？我可以更改一些参数吗？我的矩阵仅由零和一组成是否有帮助（这意味着我的矩阵中的所有非零条目都是一）。