Kapitel 8. Verwendung von Graph-Algorithmen zur Verbesserung des maschinellen Lernens
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Wir haben uns mit verschiedenen Algorithmen beschäftigt, die bei jeder Iteration lernen und ihren Zustand aktualisieren, wie z. B. Label Propagation. Bis zu diesem Punkt haben wir uns jedoch auf Graphenalgorithmen für allgemeine Analysen konzentriert. Da Graphen beim maschinellen Lernen (ML) immer häufiger eingesetzt werden, werden wir uns nun ansehen, wie Graphenalgorithmen zur Verbesserung von ML-Workflows eingesetzt werden können.
In diesem Kapitel konzentrieren wir uns auf den praktischsten Weg, um ML-Vorhersagen mit Hilfe von Graphenalgorithmen zu verbessern: die Extraktion von verbundenen Merkmalen und ihre Verwendung bei der Vorhersage von Beziehungen. Zunächst behandeln wir einige grundlegende ML-Konzepte und die Bedeutung von Kontextdaten für bessere Vorhersagen. Dann gibt es einen kurzen Überblick über die Anwendungsmöglichkeiten von Graphenmerkmalen, einschließlich der Verwendung für Spammer-Betrug, Erkennung und Link-Vorhersage.
Wir zeigen dir, wie du eine Pipeline für maschinelles Lernen erstellst und dann ein Modell zur Linkvorhersage trainierst und auswertest, indem wir Neo4j und Spark in unseren Arbeitsablauf integrieren. Unser Beispiel basiert auf dem Citation Network Dataset, das Autoren, Veröffentlichungen, Autorenbeziehungen und Zitationsbeziehungen ...
Get Graph-Algorithmen now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
