自动调优

节点分类管道、节点回归管道 和 链接预测管道 使用监督机器学习方法进行训练，这些方法具有多个可配置参数，这些参数会影响训练结果。为了获得高质量的模型，为超参数设置良好的值会产生很大的影响。与手动搜索这些值相比，自动调优通常更可取，因为手动搜索既耗时又困难。

在将模型候选者添加到 节点分类、节点回归 或 链接预测 时，可以将手动和自动调优结合起来。对于手动部分，将具有所有超参数固定值的配置添加到管道。为了充分利用自动搜索，可以将超参数指定为范围而不是具有固定值。对于某些参数，范围以对数尺度进行解释。这适用于传统上以对数尺度进行调整的参数。

如果任何模型候选者超参数被指定为范围，则在训练管道时会应用自动调优。首先评估仅具有固定值的配置，然后重复选择和评估具有范围的剩余配置。对于至少有一个范围的配置，在评估之前会从范围中选择固定值。每次这样的评估都被称为一个试验。如果至少存在一个范围，则试验次数是 gds.alpha.pipeline.nodeClassification.configureAutoTuning、gds.alpha.pipeline.noderegression.configureAutoTuning 和 gds.alpha.pipeline.linkPrediction.configureAutoTuning 的 maxTrials 配置参数的值。如果任何模型配置中不存在范围，则无论 maxTrials 如何，都会尝试所有配置。一旦所有试验都完成，最佳模型候选者配置将被选中为获胜者。

有关特定超参数的详细信息，请参阅支持的 训练方法。