节点分类训练管道

class graphdatascience.pipeline.nc_training_pipeline.NCTrainingPipeline

表示一个节点分类训练管道。使用 graphdatascience.GraphDataScience.nc_pipe() 构建此类的实例。

addLogisticRegression(**config: Any) → Series[Any]

向管道添加一个逻辑回归模型候选。

参数:

**config – 逻辑回归模型的配置。

返回:

查询结果。

addMLP(**config: Any) → Series[Any]

向管道添加一个多层感知器模型候选。

参数:

**config – 多层感知器模型的配置。

返回:

查询结果。

addNodeProperty(procedure_name: str, **config: Any) → Series[Any]

向管道添加一个节点属性步骤。

参数:

• procedure_name – 要使用的过程名称。

• **config – 节点属性的配置。

返回:

查询结果。

addRandomForest(**config: Any) → Series[Any]

向管道添加一个随机森林模型候选。

参数:

**config – 随机森林模型的配置。

返回:

查询结果。

auto_tuning_config() → Series[Any]

获取管道的自动调优配置。

返回:

包含自动调优配置的 Series。

configureAutoTuning(**config: Any) → Series[Any]

配置管道的自动调优。

参数:

**config – 自动调优的配置。

返回:

查询结果。

configureSplit(**config: Any) → Series[Any]

配置用于训练管道的划分。

参数:

**config – 划分的配置。

返回:

查询结果。

creation_time() → Any

获取管道的创建时间。

返回:

管道的创建时间。

drop(failIfMissing: bool = False) → Series[Any]

删除管道。

参数:

failIfMissing – 如果为 True，则当管道不存在时会抛出错误。

返回:

查询结果。

exists() → bool

检查管道是否存在。

返回:

如果管道存在，则为 True，否则为 False。

feature_properties() → Series[Any]

获取管道的特征属性。

返回:

包含管道特征属性的 Series。

name() → str

获取管道的名称。

返回:

管道的名称。

node_property_steps() → DataFrame

获取管道的节点属性步骤。

返回:

包含节点属性步骤的 DataFrame。

parameter_space() → Series[Any]

获取管道的参数空间。

返回:

包含参数空间的 Series。

selectFeatures(node_properties: str | list[str]) → Series[Any]

选择用于训练的节点属性。

参数:

node_properties – 用于训练的节点属性。

返回:

查询结果。

split_config() → Series[float]

获取管道的划分配置。

返回:

包含划分配置的 Series。

train(G: Graph, **config: Any) → tuple[MODEL_TYPE, Series[Any]]

使用管道在给定图上训练模型。

参数:

• G – 用于训练的图。

• **config – 训练的配置。

返回:

包含训练好的模型和查询结果的元组。

train_estimate(G: Graph, **config: Any) → Series[Any]

估算给定图和配置的训练时间。

参数:

• G – 用于训练的图。

• **config – 训练的配置。

返回:

查询结果。

type() → str

获取管道的类型。

返回:

管道的类型。它将是 NodeClassificationPipeline、LinkPredictionPipeline 或 NodeRegressionPipeline 中的一种。