Neo4j Graph Database Fundamentals · Lektion

GDS-Pipelines und maschinelles Lernen

Entdecken Sie, wie Sie Pipelines für Graph Data Science innerhalb von GDS erstellen und verwalten und in Workflows für maschinelles Lernen integrieren.

GDS-Pipelines und maschinelles Lernen ist eine kostenlose Neo4j Graph Database Fundamentals-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Neo4j Graph Database Fundamentals-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Neo4j Graph Database Fundamentals-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

What are GDS Pipelines?

Welcome to GDS Pipelines! In the Neo4j Graph Data Science (GDS) library, a pipeline is a structured workflow for common graph data science tasks.

Think of it as a blueprint that defines a sequence of steps, from feature engineering using graph algorithms to training and deploying machine learning models.

Why Use GDS Pipelines?

GDS Pipelines offer several key benefits:

Reproducibility: Define your entire workflow once and reuse it.
Automation: Streamline complex tasks involving multiple graph algorithms and ML steps.
Operationalization: Easily deploy graph-based machine learning models for continuous prediction.

They help bridge the gap between experimentation and production.

Creating a Prediction Pipeline

One common pipeline type is the Node Property Prediction Pipeline. This helps predict a specific property on nodes based on other node features and graph structure.

Let's create an empty pipeline named 'myChurnPrediction':

CALL gds.pipeline.nodePropertyPrediction.create('myChurnPrediction')
YIELD pipeline
RETURN pipeline.name AS name, pipeline.type AS type

Projecting Your Graph Data

Before using a pipeline, you need to project your graph into GDS memory. This makes nodes and relationships accessible for algorithms and features.

Here, we project a simple 'User' graph with 'KNOWS' relationships:

CALL gds.graph.project(
    'mySocialGraph',
    'User',
    { KNOWS: { orientation: 'UNDIRECTED' } }
)
YIELD graphName, nodeCount, relationshipCount
RETURN graphName, nodeCount, relationshipCount

Adding Node Property Features

Pipelines allow you to specify which existing node properties should be used as features for your machine learning model. These are direct attributes of your nodes.

Let's add 'age' and 'income' properties as features to our pipeline:

CALL gds.pipeline.nodePropertyPrediction.addNodePropertySteps('myChurnPrediction', {
    nodeProperties: ['age', 'income']
})
YIELD pipeline
RETURN pipeline.name, pipeline.nodePropertySteps

Integrating Graph Algorithm Features

The real power of GDS pipelines is integrating graph algorithm results as features. These capture structural insights that simple node properties can't.

We can add PageRank scores as a feature to our pipeline:

CALL gds.pipeline.nodePropertyPrediction.addPageRank('myChurnPrediction', {
    maxIterations: 10,
    dampingFactor: 0.85,
    mutateProperty: 'pageRankScore' // This becomes a feature
})
YIELD pipeline
RETURN pipeline.name, pipeline.pageRankSteps

Configuring the Machine Learning Model

After defining your features, you specify the machine learning model that will perform the prediction. GDS supports various models like Logistic Regression, Random Forest, and GNNs.

Let's add a Logistic Regression model to predict 'isChurned':

CALL gds.pipeline.nodePropertyPrediction.addLogisticRegression('myChurnPrediction', {
    targetProperty: 'isChurned', // The node property we want to predict
    maxIterations: 100,
    penalty: 'l2'
})
YIELD pipeline
RETURN pipeline.name, pipeline.logisticRegressionSteps

Training Your GDS Pipeline

With features and a model defined, you can now train the pipeline. This executes all feature generation steps, then trains the specified ML model on the generated features.

We'll train our pipeline on 'mySocialGraph' and name the resulting model 'churnPredictionModel':

CALL gds.pipeline.nodePropertyPrediction.train('myChurnPrediction', {
    modelName: 'churnPredictionModel',
    graphName: 'mySocialGraph',
    nodeLabels: ['User'],
    randomSeed: 42
})
YIELD modelInfo
RETURN modelInfo.modelName AS modelName, modelInfo.trainingMetrics.f1Score.weighted AS f1Score

Making Predictions with the Model

Once trained, your model (which is part of the pipeline) can be used to generate predictions on your graph data. You can either stream results or mutate the graph with new properties.

Let's stream predictions for our 'churnPredictionModel':

CALL gds.pipeline.nodePropertyPrediction.predict.stream('churnPredictionModel', {
    graphName: 'mySocialGraph',
    nodeLabels: ['User'],
    topN: 1 // Get the top predicted class
})
YIELD nodeId, predictedProperty, probability
RETURN gds.util.asNode(nodeId).name AS user, predictedProperty, probability
LIMIT 5

Managing Your Pipelines

You can list all active pipelines and their configurations using gds.pipeline.list(). When a pipeline is no longer needed, you can remove it with gds.pipeline.drop().

Let's see the pipelines we currently have:

CALL gds.pipeline.list()
YIELD name, type, creationTime
RETURN name, type, creationTime

GDS Pipeline Components

A GDS pipeline combines various steps to create a complete data science workflow. Which of the following are valid components or steps you can add to a GDS Node Property Prediction Pipeline?

Recap: Pipelines for ML

Great job! You've learned how GDS Pipelines provide a structured and reproducible way to integrate graph algorithms with machine learning workflows.

Pipelines define a sequence of steps.
They combine feature engineering (from existing properties and graph algorithms) with ML model training.
They enable efficient prediction and operationalization of graph-based insights.

Keep exploring GDS to unlock more advanced graph analytics!

Häufig gestellte Fragen

Ist die Lektion „GDS-Pipelines und maschinelles Lernen“ kostenlos?

Ja — der vollständige Text von „GDS-Pipelines und maschinelles Lernen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Neo4j Graph Database Fundamentals-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Neo4j Graph Database Fundamentals-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „GDS-Pipelines und maschinelles Lernen“?

Entdecken Sie, wie Sie Pipelines für Graph Data Science innerhalb von GDS erstellen und verwalten und in Workflows für maschinelles Lernen integrieren. Du übst Neo4j Graph Database Fundamentals mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Neo4j Graph Database Fundamentals zu starten?

Keine Vorkenntnisse erforderlich. Neo4j Graph Database Fundamentals auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.

Wie lange dauert die Lektion „GDS-Pipelines und maschinelles Lernen“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Neo4j Graph Database Fundamentals-Lektion Code schreiben und ausführen?

Ja. Jede Neo4j Graph Database Fundamentals-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Neo4j Graph Database Fundamentals