链接预测训练管道

class graphdatascience.pipeline.lp_training_pipeline.LPTrainingPipeline

表示链接预测训练管道。使用 graphdatascience.GraphDataScience.lp_pipe() 构造此类的实例。

addFeature(feature_type: str, **config: Any) → Series[Any]

向管道添加链接特征。

参数:

• feature_type – 要添加的特征类型。

• **config – 特征的配置，这包括要使用的节点属性。

返回:

查询的结果。

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

向管道添加逻辑回归模型候选。

参数:

**config – 逻辑回归模型的配置。

返回:

查询的结果。

addMLP(**config: Any) → Series[Any]

向管道添加多层感知器模型候选。

参数:

**config – 多层感知器模型的配置。

返回:

查询的结果。

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

向管道添加节点属性步骤。

参数:

• procedure_name – 要使用的过程的名称。

• **config – 节点属性的配置。

返回:

查询的结果。

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

向管道添加随机森林模型候选。

参数:

**config – 随机森林模型的配置。

返回:

查询的结果。

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]

为管道配置自动调优。

参数:

**config – 自动调优的配置。

返回:

查询的结果。

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

配置用于训练管道的拆分。

参数:

**config – 拆分的配置。

返回:

查询的结果。

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，则如果管道不存在，则会抛出错误。

返回:

查询的结果。

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_steps() → DataFrame

获取管道的特征步骤。

返回:

包含管道特征步骤的 DataFrame。

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。

split_config() → Series[float]

获取管道的拆分配置。

返回:

包含拆分配置的 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 – 要训练的图。

• **config – 训练配置。

返回:

包含训练后的模型和查询结果的元组。

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

估计给定图和配置的训练时间。

参数:

• G – 要训练的图。

• **config – 训练配置。

返回:

查询的结果。

type() → str

获取管道的类型。

返回:

管道的类型。它将是 NodeClassificationPipeline、LinkPredictionPipeline 或 NodeRegressionPipeline 之一。