机器学习过程

列出 Neo4j 图数据科学 Python 客户端 API 中所有机器学习过程。这包括运行嵌入算法和创建各种管道。所有这些都假设 GraphDataScience 的对象作为 gds 可用。

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

获取表示管道目录中管道的管道对象。

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

将图分割成保留和剩余的关系类型，并将它们添加到图中。

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

在管道目录中创建一个节点回归训练管道。

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

GraphSage 算法根据节点的特征和邻域归纳地计算节点的嵌入。

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

GraphSage 算法根据节点的特征和邻域归纳地计算节点的嵌入。

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

GraphSage 算法根据节点的特征和邻域归纳地计算节点的嵌入。

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

返回该过程的内存消耗估计。

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

GraphSage 算法根据节点的特征和邻域归纳地计算节点的嵌入。

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

返回该过程的内存消耗估计。

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

GraphSage 算法根据节点的特征和邻域归纳地计算节点的嵌入。

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

返回该过程的内存消耗估计。

自版本 2.5.0 起已弃用: 自 GDS 服务器版本 2.5.0 起，您应该使用端点 gds.hashgnn.mutate()。

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

HashGNN 通过哈希和消息传递创建节点嵌入。

自版本 2.5.0 起已弃用: 自 GDS 服务器版本 2.5.0 起，您应该使用端点 gds.hashgnn.mutate.estimate()。

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

HashGNN 通过哈希和消息传递创建节点嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.hashgnn.stream()。

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

HashGNN 通过哈希和消息传递创建节点嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.hashgnn.stream.estimate()。

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

HashGNN 通过哈希和消息传递创建节点嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.mutate()。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.mutate.estimate()。

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

返回该过程的内存消耗估计。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.stream()。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.stream.estimate()。

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

返回该过程的内存消耗估计。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.write()。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.node2vec.write.estimate()。

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

返回该过程的内存消耗估计。

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

删除管道并释放其占用的资源。

已弃用，自版本 2.5.0 起： 自 GDS 服务器版本 2.5.0 起，您应该改用端点 gds.pipeline.drop()。

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

检查给定管道是否存在于管道目录中。

自版本 2.5.0 起已弃用： 从 GDS 服务器版本 2.5.0 开始，您应该使用端点 gds.pipeline.exists() 代替。

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

列出管道目录中包含的所有管道。

自版本 2.5.0 起已弃用： 从 GDS 服务器版本 2.5.0 开始，您应该使用端点 gds.pipeline.list() 代替。

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

删除管道并释放其占用的资源。

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

检查给定管道是否存在于管道目录中。

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

列出管道目录中包含的所有管道。

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

在管道目录中创建链接预测管道。

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

在管道目录中创建节点分类训练管道。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

随机投影通过 fastrp 算法生成节点嵌入。

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

返回一个以独热编码格式表示的选择值列表。

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

返回该过程的内存消耗估计。

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

返回该过程的内存消耗估计。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

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

返回该过程的内存消耗估计。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

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

返回该过程的内存消耗估计。

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

Node2Vec 算法基于随机游走计算节点的嵌入。

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

返回该过程的内存消耗估计。