机器学习过程

Neo4j 图数据科学 (GDS) Python 客户端 API 中所有机器学习过程的列表。这包括运行嵌入算法和创建各种流水线。所有这些操作均假设 GraphDataScience 对象已作为 gds 提供。

gds.pipeline.get(pipeline_name: str) → TrainingPipeline[PipelineModel]

获取一个表示流水线目录 (Pipeline Catalog) 中流水线的流水线对象。

gds.alpha.ml.splitRelationships.mutate(G: Graph, **config: Any) → pandas.Series[Any]

将图拆分为保留集和剩余的关系类型，并将它们添加到图中。

2.24.0 版本弃用：从 GDS 服务器 2.24.0 版本开始，您应该改用端点 gds.splitRelationships.mutate()。

gds.alpha.ml.splitRelationships.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

将图拆分为保留集和剩余的关系类型，并将它们添加到图中。

2.24.0 版本弃用：从 GDS 服务器 2.24.0 版本开始，您应该改用端点 gds.splitRelationships.mutate.estimate()。

gds.alpha.pipeline.nodeRegression.create(name: str) → Tuple[NRTrainingPipeline, pandas.Series[Any]]

在流水线目录中创建一个节点回归训练流水线。

gds.beta.graphSage.mutate(G: Graph, **config: Any) → pandas.Series[Any]

GraphSage 算法根据节点的特征和邻域归纳地计算节点嵌入。

gds.beta.graphSage.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

GraphSage 算法根据节点的特征和邻域归纳地计算节点嵌入。

gds.beta.graphSage.stream(G: Graph, **config: Any) → pandas.DataFrame

GraphSage 算法根据节点的特征和邻域归纳地计算节点嵌入。

gds.beta.graphSage.stream.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.beta.graphSage.train(G: Graph, **config: Any) → Tuple[MODEL_TYPE, pandas.Series[Any]]

GraphSage 算法根据节点的特征和邻域归纳地计算节点嵌入。

gds.beta.graphSage.train.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.beta.graphSage.write(G: Graph, **config: Any) → pandas.Series[Any]

GraphSage 算法根据节点的特征和邻域归纳地计算节点嵌入。

gds.beta.graphSage.write.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.hashgnn.mutate()。

gds.beta.hashgnn.mutate(G: Graph, **config: Any) → pandas.Series[Any]

HashGNN 通过哈希和消息传递创建节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.hashgnn.mutate.estimate()。

gds.beta.hashgnn.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

HashGNN 通过哈希和消息传递创建节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.hashgnn.stream()。

gds.beta.hashgnn.stream(G: Graph, **config: Any) → pandas.DataFrame

HashGNN 通过哈希和消息传递创建节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.hashgnn.stream.estimate()。

gds.beta.hashgnn.stream.estimate(G: Graph, **config: Any) → pandas.Series[Any]

HashGNN 通过哈希和消息传递创建节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.mutate()。

gds.beta.node2vec.mutate(G: Graph, **config: Any) → pandas.Series[Any]

Node2Vec 算法基于随机游走计算节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.mutate.estimate()。

gds.beta.node2vec.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.stream()。

gds.beta.node2vec.stream(G: Graph, **config: Any) → pandas.DataFrame

Node2Vec 算法基于随机游走计算节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.stream.estimate()。

gds.beta.node2vec.stream.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.write()。

gds.beta.node2vec.write(G: Graph, **config: Any) → pandas.Series[Any]

Node2Vec 算法基于随机游走计算节点嵌入。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.node2vec.write.estimate()。

gds.beta.node2vec.write.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.beta.pipeline.drop(pipeline: TrainingPipeline[PipelineModel]) → pandas.Series[Any]

丢弃流水线并释放其占用的资源。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.pipeline.drop()。

gds.beta.pipeline.exists(pipeline_name: str) → pandas.Series[Any]

检查指定的流水线是否存在于流水线目录中。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.pipeline.exists()。

gds.beta.pipeline.list(pipeline: TrainingPipeline[PipelineModel] | None = None) → pandas.DataFrame

列出流水线目录中包含的所有流水线。

2.5.0 版本弃用：从 GDS 服务器 2.5.0 版本开始，您应该改用端点 gds.pipeline.list()。

gds.pipeline.drop(pipeline: TrainingPipeline[PipelineModel]) → pandas.Series[Any]

丢弃流水线并释放其占用的资源。

gds.pipeline.exists(pipeline_name: str) → pandas.Series[Any]

检查指定的流水线是否存在于流水线目录中。

gds.pipeline.list(pipeline: TrainingPipeline[PipelineModel] | None = None) → pandas.DataFrame

列出流水线目录中包含的所有流水线。

gds.beta.pipeline.linkPrediction.create(name: str) → Tuple[LPTrainingPipeline, pandas.Series[Any]]

在流水线目录中创建一个链路预测流水线。

gds.beta.pipeline.nodeClassification.create(name: str) → Tuple[NCTrainingPipeline, pandas.Series[Any]]

在流水线目录中创建一个节点分类训练流水线。

gds.fastRP.mutate(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.stats(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.stats.estimate(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.stream(G: Graph, **config: Any) → pandas.DataFrame

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.stream.estimate(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.write(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.fastRP.write.estimate(G: Graph, **config: Any) → pandas.Series[Any]

随机投影 (Random Projection) 通过 fastRP 算法生成节点嵌入。

gds.alpha.ml.oneHotEncoding(available_values: List[Any], selected_values: List[Any]) → List[int]

以独热编码格式返回选定值的列表。

2.24.0 版本弃用：从 GDS 服务器 2.24.0 版本开始，您应该改用端点 gds.util.oneHotEncoding()。

gds.hashgnn.mutate(G: Graph, **config: Any) → pandas.Series[Any]

HashGNN 通过哈希和消息传递创建节点嵌入。

gds.hashgnn.mutate.estimate(G: Graph, **config: Any) → pandas.DataFrame

返回该过程内存消耗的估算值。

gds.hashgnn.stream(G: Graph, **config: Any) → pandas.DataFrame

HashGNN 通过哈希和消息传递创建节点嵌入。

gds.hashgnn.stream.estimate(G: Graph, **config: Any) → pandas.DataFrame

返回该过程内存消耗的估算值。

gds.hashgnn.write(G: Graph, **config: Any) → pandas.DataFrame

HashGNN 通过哈希和消息传递创建节点嵌入。

gds.hashgnn.write.estimate(G: Graph, **config: Any) → pandas.DataFrame

返回该过程内存消耗的估算值。

gds.node2vec.mutate(G: Graph, **config: Any) → pandas.Series[Any]

Node2Vec 算法基于随机游走计算节点嵌入。

gds.node2vec.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.node2vec.stream(G: Graph, **config: Any) → pandas.DataFrame

Node2Vec 算法基于随机游走计算节点嵌入。

gds.node2vec.stream.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.node2vec.write(G: Graph, **config: Any) → pandas.Series[Any]

Node2Vec 算法基于随机游走计算节点嵌入。

gds.node2vec.write.estimate(G: Graph, **config: Any) → pandas.Series[Any]

返回该过程内存消耗的估算值。

gds.splitRelationships.mutate(G: Graph, **config: Any) → pandas.Series[Any]

将图拆分为保留集和剩余的关系类型，并将它们添加到图中。

gds.splitRelationships.mutate.estimate(G: Graph, **config: Any) → pandas.Series[Any]

将图拆分为保留集和剩余的关系类型，并将它们添加到图中。