本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
節點迴歸類似於節點分類，不同之處在於從每個節點的迴歸模型推斷出的值是數值。您可以使用與節點分類相同的 Gremlin 查詢進行節點迴歸，但以下差異除外：
同樣，在 Neptune ML 中，節點指的是頂點。
properties()步驟接受形式properties().with("Neptune#ml.regression")而不是properties().with("Neptune#ml.classification")。"Neptune#ml.limit" 和"Neptune#ml.threshold"述詞不適用。根據值進行篩選時，您必須指定一個數值。
以下是範例頂點分類查詢：
g.with("Neptune#ml.endpoint","node-regression-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::0123456789:role/sagemaker-role") .V("movie_1","movie_2","movie_3") .properties("revenue").with("Neptune#ml.regression")
您可以根據使用迴歸模型推斷出的值進行篩選，如下列範例所示：
g.with("Neptune#ml.endpoint","node-regression-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V("movie_1","movie_2","movie_3") .properties("revenue").with("Neptune#ml.regression") .value().is(P.gte(1600000)) g.with("Neptune#ml.endpoint","node-regression-movie-lens-endpoint") .with("Neptune#ml.iamRoleArn","arn:aws:iam::0123456789:role/sagemaker-role") .V("movie_1","movie_2","movie_3") .properties("revenue").with("Neptune#ml.regression") .hasValue(P.lte(1600000D))
在節點迴歸查詢中使用歸納推論
假設您要在 Jupyter 筆記本中將新節點新增至現有圖形，如下所示：
%%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')
然後，您可以使用歸納推論查詢，來取得考慮到新節點的評分：
%%gremlin g.with("Neptune#ml.endpoint", "nr-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("rating") .with("Neptune#ml.regression") .with("Neptune#ml.inductiveInference")
因為查詢不具確定性，所以如果根據鄰域多次執行該查詢，其可能會傳回有些不同的結果：
# First time ==>vp[rating->9.1] # Second time ==>vp[rating->8.9]
如果需要更一致的結果，您可以使查詢具有確定性：
%%gremlin g.with("Neptune#ml.endpoint", "nc-ep") .with("Neptune#ml.iamRoleArn", "arn:aws:iam::123456789012:role/NeptuneMLRole") .V('101').properties("rating") .with("Neptune#ml.regression") .with("Neptune#ml.inductiveInference") .with("Neptune#ml.deterministic")
現在每次結果都會大致相同：
# First time ==>vp[rating->9.1] # Second time ==>vp[rating->9.1]
