Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Kueri klasifikasi simpul Gremlin di Neptunus ML
Untuk klasifikasi node Gremlin di Neptunus ML:
Model ini dilatih pada satu properti dari vertex. Rangkain nilai unik dari properti ini disebut sebagai satu set kelas simpul, atau hanya, kelas.
Kelas simpul atau nilai properti kategoris dari properti vertex ini dapat disimpulkan dari model klasifikasi simpul. Hal ini berguna di mana properti ini belum melekat pada simpul.
Dalam rangka untuk mengambil satu kelas atau lebih dari model klasifikasi simpul, Anda perlu menggunakan langkah
with()dengan predikatNeptune#ml.classificationuntuk mengonfigurasi langkahproperties(). Format output mirip dengan apa yang Anda harapkan jika format adalah properti vertex.
catatan
Klasifikasi node hanya bekerja dengan nilai properti string. Itu berarti bahwa nilai properti numerik seperti 0 atau tidak 1 didukung, meskipun string setara "0" dan adalah. "1" Demikian pula, nilai properti Boolean true dan false tidak berfungsi, tetapi "true" dan "false" lakukan.
Berikut adalah contoh kueri klasifikasi node:
g.with( "Neptune#ml.endpoint","node-classification-movie-lens-endpoint" ) .with( "Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role" ) .with( "Neptune#ml.limit", 2 ) .with( "Neptune#ml.threshold", 0.5D ) .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification")
Output dari kueri ini akan terlihat seperti berikut ini:
==>vp[genre->Action] ==>vp[genre->Crime] ==>vp[genre->Comedy]
Dalam query di atas, langkah V() dan properties() digunakan sebagai berikut:
Langkah V() berisi rangkaian vertex di mana Anda ingin mengambil kelas dari model klasifikasi node:
.V( "movie_1", "movie_2", "movie_3" )
properties()Langkah berisi kunci di mana model dilatih, dan .with("Neptune#ml.classification") harus menunjukkan bahwa ini adalah kueri inferensi MS klasifikasi node.
Kunci properti ganda saat ini tidak didukung di langkah properties().with("Neptune#ml.classification"). Sebagai contoh, hasil kueri berikut dalam pengecualian:
g.with("Neptune#ml.endpoint", "node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre", "other_label").with("Neptune#ml.classification")
Untuk pesan kesalahan tertentu, lihat daftar pengecualian Neptune ML.
Langkah properties().with("Neptune#ml.classification") dapat digunakan dalam kombinasi dengan semua langkah-langkah berikut:
value()value().is()hasValue()has(value,"")key()key().is()hasKey()has(key,"")path()
Kueri klasifikasi simpul lainnya
Jika titik akhir inferensi dan IAM peran terkait telah disimpan dalam grup parameter cluster DB Anda, kueri klasifikasi node dapat sesederhana ini:
g.V("movie_1", "movie_2", "movie_3").properties("genre").with("Neptune#ml.classification")
Anda dapat mencampur properti vertex dan kelas dalam kueri menggunakan langkah union():
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .union( properties("genre").with("Neptune#ml.classification"), properties("genre") )
Anda juga dapat membuat kueri tak terbatas seperti ini:
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V() .properties("genre").with("Neptune#ml.classification")
Anda dapat mengambil kelas simpul bersama-sama dengan vertex menggunakan langkah select() bersama dengan langkah as():
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ).as("vertex") .properties("genre").with("Neptune#ml.classification").as("properties") .select("vertex","properties")
Anda juga dapat menyaring pada kelas simpul, seperti yang digambarkan dalam contoh-contoh ini:
g.with("Neptune#ml.endpoint", "node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, "Horror") g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, P.eq("Action")) g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre").with("Neptune#ml.classification") .has(value, P.within("Action", "Horror"))
Anda bisa mendapatkan skor kepercayaan klasifikasi node menggunakan Neptune#ml.score predikat:
g.with("Neptune#ml.endpoint","node-classification-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V( "movie_1", "movie_2", "movie_3" ) .properties("genre", "Neptune#ml.score").with("Neptune#ml.classification")
Responsnya akan terlihat seperti ini:
==>vp[genre->Action] ==>vp[Neptune#ml.score->0.01234567] ==>vp[genre->Crime] ==>vp[Neptune#ml.score->0.543210] ==>vp[genre->Comedy] ==>vp[Neptune#ml.score->0.10101]
Menggunakan inferensi induktif dalam kueri klasifikasi node
Misalkan Anda menambahkan simpul baru ke grafik yang ada, di buku catatan Jupyter, seperti ini:
%%gremlin g.addV('label1').property(id,'101').as('newV') .V('1').as('oldV1') .V('2').as('oldV2') .addE('eLabel1').from('newV').to('oldV1') .addE('eLabel2').from('oldV2').to('newV')
Anda kemudian dapat menggunakan kueri inferensi induktif untuk mendapatkan genre dan skor kepercayaan yang mencerminkan node baru:
%%gremlin g.with("Neptune#ml.endpoint", "nc-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("genre", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference")
Namun, jika Anda menjalankan kueri beberapa kali, Anda mungkin mendapatkan hasil yang agak berbeda:
# First time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.21365921]
Anda dapat membuat kueri deterministik yang sama:
%%gremlin g.with("Neptune#ml.endpoint", "nc-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("genre", "Neptune#ml.score") .with("Neptune#ml.classification") .with("Neptune#ml.inductiveInference") .with("Neptune#ml.deterministic")
Dalam hal ini, hasilnya kira-kira sama setiap saat:
# First time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678] # Second time ==>vp[genre->Action] ==>vp[Neptune#ml.score->0.12345678]
