节点回归训练管道

class graphdatascience.pipeline.nr_training_pipeline.NRTrainingPipeline

表示节点回归训练管道。使用 graphdatascience.GraphDataScience.nr_pipe() 创建此类的实例。

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

向管道添加线性回归模型候选。

参数:

**config – 线性回归模型的配置。

返回值:

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。

返回值:

查询的结果。

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

向管道添加随机森林回归器候选。

参数:

**config – 随机森林回归器的配置。

返回值:

查询的结果。

auto_tuning_config() → Series[Any]

获取管道的自动调整配置。

返回值:

包含自动调整配置的 Series。

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

为管道配置自动调整。

参数:

**config – 自动调整的配置。

返回值:

查询的结果。

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

为训练管道配置拆分。

参数:

**config – 拆分的配置。

返回值:

查询的结果。

creation_time() → Any

获取管道的创建时间。

返回值:

管道的创建时间。

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

删除管道。

参数:

failIfMissing – 如果为 True，如果管道不存在，则会抛出错误。

返回值:

查询的结果。

exists() → bool

检查管道是否存在。

返回值:

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。

返回值:

包含管道特征属性的 Series。

name() → str

获取管道的名称。

返回值:

管道的名称。

node_property_steps() → DataFrame

获取管道的节点属性步骤。

返回值:

包含节点属性步骤的 DataFrame。

parameter_space() → Series[Any]

获取管道的参数空间。

返回值:

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。

返回值:

查询的结果。

split_config() → Series[float]

获取管道的拆分配置。

返回值:

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。

返回值:

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。

返回值:

查询的结果。

type() → str

获取管道的类型。

返回值:

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