Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Contoh penggunaan parameter dalam AdditionalParams untuk menyetel konfigurasi pelatihan model
Contoh berikut menunjukkan bagaimana memanfaatkan fitur “AdditionalParams” dalam grafik properti dan model data RDF untuk mengonfigurasi berbagai aspek proses pelatihan model untuk aplikasi Neptunus ML. Contohnya mencakup berbagai fungsi, termasuk menentukan tingkat pemisahan default untuk training/validation/test data, mendefinisikan klasifikasi node, regresi, dan tugas prediksi tautan, serta mengonfigurasi berbagai jenis fitur seperti bucket numerik, penyematan teks, datetime, dan data kategoris. Konfigurasi terperinci ini memungkinkan Anda untuk menyesuaikan pipeline pembelajaran mesin dengan data spesifik dan persyaratan pemodelan Anda, membuka potensi penuh dari kemampuan Neptunus ML.
**Contents**
+ [Contoh grafik properti menggunakan AdditionalParams](#machine-learning-property-graph-additionalParams-examples)
+ [Menentukan tingkat pemisahan default untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-default-split-rate-example)
+ [Menentukan tugas klasifikasi simpul untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-node-classification-example)
+ [Menentukan tugas klasifikasi node multi-kelas untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-multi-class-example)
+ [Menentukan tugas regresi simpul untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-node-regression-example)
+ [Menentukan tugas klasifikasi tepi untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-edge-classification-example)
+ [Menentukan tugas klasifikasi tepi multi-kelas untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-multi-edge-classification-example)
+ [Menentukan regresi edge untuk konfigurasi model-training](#machine-learning-property-graph-additionalParams-edge-regression-example)
+ [Menentukan tugas prediksi tautan untuk konfigurasi pelatihan model](#machine-learning-property-graph-additionalParams-link-prediction-example)
+ [Menentukan fitur bucket numerik](#machine-learning-property-graph-additionalParams-numeric-bucket-example)
+ [Menentukan fitur `Word2Vec`](#machine-learning-property-graph-additionalParams-word2vec-example)
+ [Menentukan fitur `FastText`](#machine-learning-property-graph-additionalParams-fasttext-example)
+ [Menentukan fitur `Sentence BERT`](#machine-learning-property-graph-additionalParams-sbert-example)
+ [Menentukan fitur `TF-IDF`](#machine-learning-property-graph-additionalParams-tf-idf-example)
+ [Menentukan fitur `datetime`](#machine-learning-property-graph-additionalParams-datetime-example)
+ [Menentukan fitur `category`](#machine-learning-property-graph-additionalParams-category-example)
+ [Menentukan fitur `numerical`](#machine-learning-property-graph-additionalParams-numerical-example)
+ [Menentukan fitur `auto`](#machine-learning-property-graph-additionalParams-auto-example)
+ [Contoh RDF menggunakan `additionalParams`](#machine-learning-RDF-additionalParams-examples)
+ [Menentukan tingkat pemisahan default untuk konfigurasi pelatihan model](#machine-learning-RDF-additionalParams-default-split-rate-example)
+ [Menentukan tugas klasifikasi simpul untuk konfigurasi pelatihan model](#machine-learning-RDF-additionalParams-node-classification-example)
+ [Menentukan tugas regresi simpul untuk konfigurasi pelatihan model](#machine-learning-RDF-additionalParams-node-regression-example)
+ [Menentukan tugas prediksi tautan untuk tepi tertentu](#machine-learning-RDF-additionalParams-link-prediction-example)
+ [Menentukan tugas prediksi tautan untuk semua sisi](#machine-learning-RDF-additionalParams-link-prediction-example)
## Contoh grafik properti menggunakan AdditionalParams
### Menentukan tingkat pemisahan default untuk konfigurasi pelatihan model
Dalam contoh berikut, `split_rate` parameter menetapkan tingkat pemisahan default untuk pelatihan model. Jika tidak ada tingkat pemisahan default yang ditentukan, pelatihan menggunakan nilai [0,9, 0,1, 0,0]. Anda dapat mengganti nilai default pada basis per-target dengan menentukan untuk setiap target. `split_rate`
Dalam contoh berikut, `default split_rate` bidang menunjukkan bahwa tingkat perpecahan `[0.7,0.1,0.2]` harus digunakan kecuali diganti berdasarkan per target:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"split_rate": [0.7,0.1,0.2],
"targets": [
(...)
],
"features": [
(...)
]
}
}
```
### Menentukan tugas klasifikasi simpul untuk konfigurasi pelatihan model
Untuk menunjukkan properti node mana yang berisi contoh berlabel untuk tujuan pelatihan, tambahkan elemen klasifikasi node ke `targets` array, menggunakan`"type" : "classification"`. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
Dalam contoh berikut, `node` target menunjukkan bahwa `genre` properti dari setiap `Movie` node harus diperlakukan sebagai label kelas node. `split_rate`Nilai mengesampingkan tingkat pemisahan default:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"node": "Movie",
"property": "genre",
"type": "classification",
"split_rate": [0.7,0.1,0.2]
}
],
"features": [
(...)
]
}
}
```
### Menentukan tugas klasifikasi node multi-kelas untuk konfigurasi pelatihan model
Untuk menunjukkan properti node mana yang berisi beberapa contoh berlabel untuk tujuan pelatihan, tambahkan elemen klasifikasi node ke array target, gunakan`"type" : "classification"`, dan `separator` untuk menentukan karakter yang dapat digunakan untuk membagi nilai properti target menjadi beberapa nilai kategoris. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
Dalam contoh berikut, `node` target menunjukkan bahwa `genre` properti dari setiap `Movie` node harus diperlakukan sebagai label kelas node. `separator`Bidang menunjukkan bahwa setiap properti genre berisi beberapa nilai yang dipisahkan titik koma:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"node": "Movie",
"property": "genre",
"type": "classification",
"separator": ";"
}
],
"features": [
(...)
]
}
}
```
### Menentukan tugas regresi simpul untuk konfigurasi pelatihan model
Untuk menunjukkan properti node mana yang berisi regresi berlabel untuk tujuan pelatihan, tambahkan elemen regresi node ke array target, menggunakan. `"type" : "regression"` Tambahkan bidang split\$1rate jika Anda ingin mengganti tingkat pemisahan default.
Target `node` berikut in imenunjukkan bahwa properti `rating` masing-masing simpul `Movie` harus diperlakukan sebagai label regresi simpul :
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"node": "Movie",
"property": "rating",
"type" : "regression",
"split_rate": [0.7,0.1,0.2]
}
],
"features": [
...
]
}
}
```
### Menentukan tugas klasifikasi tepi untuk konfigurasi pelatihan model
Untuk menunjukkan properti edge mana yang berisi contoh berlabel untuk tujuan pelatihan, tambahkan elemen tepi ke `targets` array, menggunakan`"type" : "regression"`. Tambahkan bidang split\$1rate jika Anda ingin mengganti tingkat pemisahan default.
`edge`Target berikut menunjukkan bahwa `metAtLocation` properti setiap `knows` tepi harus diperlakukan sebagai label kelas tepi:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"edge": ["Person", "knows", "Person"],
"property": "metAtLocation",
"type": "classification"
}
],
"features": [
(...)
]
}
}
```
### Menentukan tugas klasifikasi tepi multi-kelas untuk konfigurasi pelatihan model
Untuk menunjukkan properti edge mana yang berisi beberapa contoh berlabel untuk tujuan pelatihan, tambahkan elemen tepi ke `targets` array, menggunakan`"type" : "classification"`, dan `separator` bidang untuk menentukan karakter yang digunakan untuk membagi nilai properti target menjadi beberapa nilai kategoris. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
`edge`Target berikut menunjukkan bahwa `sentiment` properti setiap `repliedTo` tepi harus diperlakukan sebagai label kelas tepi. Bidang pemisah menunjukkan bahwa setiap properti sentimen berisi nilai yang dipisahkan koma multile:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"edge": ["Person", "repliedTo", "Message"],
"property": "sentiment",
"type": "classification",
"separator": ","
}
],
"features": [
(...)
]
}
}
```
### Menentukan regresi edge untuk konfigurasi model-training
Untuk menunjukkan properti edge mana yang berisi contoh regresi berlabel untuk tujuan pelatihan, tambahkan `edge` elemen ke `targets` array, menggunakan. `"type" : "regression"` Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
`edge`Target berikut menunjukkan bahwa `rating` properti setiap `reviewed` tepi harus diperlakukan sebagai regresi tepi:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"edge": ["Person", "reviewed", "Movie"],
"property": "rating",
"type" : "regression"
}
],
"features": [
(...)
]
}
}
```
### Menentukan tugas prediksi tautan untuk konfigurasi pelatihan model
Untuk menunjukkan tepi mana yang harus digunakan untuk tujuan pelatihan prediksi tautan, tambahkan elemen tepi ke larik target menggunakan`"type" : "link_prediction"`. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
`edge`Target berikut menunjukkan bahwa `cites` tepi harus digunakan untuk prediksi tautan:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"edge": ["Article", "cites", "Article"],
"type" : "link_prediction"
}
],
"features": [
(...)
]
}
}
```
### Menentukan fitur bucket numerik
Anda dapat menentukan fitur data numerik untuk properti node dengan menambahkan `"type": "bucket_numerical"` ke `features` array.
Fitur `node` berikut ini menunjukkan bahwa properti `age` masing-masing node `Person` harus diperlakukan sebagai fitur bucket numerik:
```
"additionalParams": {
"neptune_ml": {
"targets": [
...
],
"features": [
{
"node": "Person",
"property": "age",
"type": "bucket_numerical",
"range": [1, 100],
"bucket_cnt": 5,
"slide_window_size": 3,
"imputer": "median"
}
]
}
}
```
### Menentukan fitur `Word2Vec`
Anda dapat menentukan `Word2Vec` fitur untuk properti node dengan menambahkan `"type": "text_word2vec"` ke `features` array.
Fitur `node` berikut ini menunjukkan bahwa properti `description` masing-masing node `Movie`harus diperlakukan sebagai fitur `Word2Vec`:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Movie",
"property": "description",
"type": "text_word2vec",
"language": "en_core_web_lg"
}
]
}
}
```
### Menentukan fitur `FastText`
Anda dapat menentukan `FastText` fitur untuk properti node dengan menambahkan `"type": "text_fasttext"` ke `features` array. `language`Bidang diperlukan, dan harus menentukan salah satu kode bahasa berikut:
+ `en`(Bahasa Inggris)
+ `zh`(Tionghoa)
+ `hi`(Hindi)
+ `es`(Spanyol)
+ `fr`(Perancis)
Perhatikan bahwa `text_fasttext` pengkodean tidak dapat menangani lebih dari satu bahasa pada satu waktu dalam suatu fitur.
`node`Fitur berikut menunjukkan bahwa `description` properti Prancis dari setiap `Movie` node harus diperlakukan sebagai `FastText` fitur:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Movie",
"property": "description",
"type": "text_fasttext",
"language": "fr",
"max_length": 1024
}
]
}
}
```
### Menentukan fitur `Sentence BERT`
Anda dapat menentukan `Sentence BERT` fitur untuk properti node dengan menambahkan `"type": "text_sbert"` ke `features` array. Anda tidak perlu menentukan bahasa, karena metode ini secara otomatis mengkodekan fitur teks menggunakan model bahasa multibahasa.
Fitur `node` berikut ini menunjukkan bahwa properti `description` masing-masing node `Movie`harus diperlakukan sebagai fitur `Sentence BERT`:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Movie",
"property": "description",
"type": "text_sbert128",
}
]
}
}
```
### Menentukan fitur `TF-IDF`
Anda dapat menentukan `TF-IDF` fitur untuk properti node dengan menambahkan `"type": "text_tfidf"` ke `features` array.
Fitur `node` berikut ini menunjukkan bahwa properti `bio` masing-masing node `Person`harus diperlakukan sebagai fitur `TF-IDF`:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Movie",
"property": "bio",
"type": "text_tfidf",
"ngram_range": [1, 2],
"min_df": 5,
"max_features": 1000
}
]
}
}
```
### Menentukan fitur `datetime`
Proses ekspor secara otomatis menyimpulkan `datetime` fitur untuk properti tanggal. Namun, jika Anda ingin membatasi `datetime_parts` penggunaan untuk `datetime` fitur, atau mengganti spesifikasi fitur sehingga properti yang biasanya diperlakukan sebagai fitur secara eksplisit diperlakukan sebagai `auto` `datetime` fitur, Anda dapat melakukannya dengan menambahkan a `"type": "datetime"` ke array fitur.
Fitur `node` berikut ini menunjukkan bahwa properti `createdAt` masing-masing node `Post`harus diperlakukan sebagai fitur `datetime`:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Post",
"property": "createdAt",
"type": "datetime",
"datetime_parts": ["month", "weekday", "hour"]
}
]
}
}
```
### Menentukan fitur `category`
Proses ekspor secara otomatis menyimpulkan `auto` fitur untuk properti string dan properti numerik yang berisi nilai kelipatan. Untuk properti numerik yang berisi nilai tunggal, ini menyimpulkan fitur. `numerical` Untuk properti tanggal, ia menyimpulkan `datetime` fitur.
Jika Anda ingin mengganti spesifikasi fitur sehingga properti diperlakukan sebagai fitur kategoris, tambahkan `"type": "category"` ke array fitur. Jika properti berisi beberapa nilai, sertakan `separator` bidang. Contoh:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Post",
"property": "tag",
"type": "category",
"separator": "|"
}
]
}
}
```
### Menentukan fitur `numerical`
Proses ekspor secara otomatis menyimpulkan `auto` fitur untuk properti string dan properti numerik yang berisi nilai kelipatan. Untuk properti numerik yang berisi nilai tunggal, ini menyimpulkan fitur. `numerical` Untuk properti tanggal, ia menyimpulkan `datetime` fitur.
Jika Anda ingin mengganti spesifikasi fitur sehingga properti diperlakukan sebagai `numerical` fitur, tambahkan `"type": "numerical"` ke array fitur. Jika properti berisi beberapa nilai, sertakan `separator` bidang. Contoh:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "Recording",
"property": "duration",
"type": "numerical",
"separator": ","
}
]
}
}
```
### Menentukan fitur `auto`
Proses ekspor secara otomatis menyimpulkan `auto` fitur untuk properti string dan properti numerik yang berisi nilai kelipatan. Untuk properti numerik yang berisi nilai tunggal, ini menyimpulkan fitur. `numerical` Untuk properti tanggal, ia menyimpulkan `datetime` fitur.
Jika Anda ingin mengganti spesifikasi fitur sehingga properti diperlakukan sebagai `auto` fitur, tambahkan `"type": "auto"` ke array fitur. Jika properti berisi beberapa nilai, sertakan `separator` bidang. Contoh:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
...
],
"features": [
{
"node": "User",
"property": "role",
"type": "auto",
"separator": ","
}
]
}
}
```
## Contoh RDF menggunakan `additionalParams`
### Menentukan tingkat pemisahan default untuk konfigurasi pelatihan model
Dalam contoh berikut, `split_rate` parameter menetapkan tingkat pemisahan default untuk pelatihan model. Jika tidak ada tingkat pemisahan default yang ditentukan, pelatihan menggunakan nilai [0,9, 0,1, 0,0]. Anda dapat mengganti nilai default pada basis per-target dengan menentukan untuk setiap target. `split_rate`
Dalam contoh berikut, `default split_rate` bidang menunjukkan bahwa tingkat perpecahan `[0.7,0.1,0.2]` harus digunakan kecuali diganti berdasarkan per target:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"split_rate": [0.7,0.1,0.2],
"targets": [
(...)
]
}
}
```
### Menentukan tugas klasifikasi simpul untuk konfigurasi pelatihan model
Untuk menunjukkan properti node mana yang berisi contoh berlabel untuk tujuan pelatihan, tambahkan elemen klasifikasi node ke `targets` array, menggunakan`"type" : "classification"`. Tambahkan bidang node untuk menunjukkan jenis node dari node target. Tambahkan `predicate` bidang untuk menentukan data literal mana yang digunakan sebagai fitur simpul target dari simpul target. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
Dalam contoh berikut, `node` target menunjukkan bahwa `genre` properti dari setiap `Movie` node harus diperlakukan sebagai label kelas node. `split_rate`Nilai mengesampingkan tingkat pemisahan default:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"node": "http://aws.amazon.com/neptune/csv2rdf/class/Movie",
"predicate": "http://aws.amazon.com/neptune/csv2rdf/datatypeProperty/genre",
"type": "classification",
"split_rate": [0.7,0.1,0.2]
}
]
}
}
```
### Menentukan tugas regresi simpul untuk konfigurasi pelatihan model
Untuk menunjukkan properti node mana yang berisi regresi berlabel untuk tujuan pelatihan, tambahkan elemen regresi node ke array target, menggunakan. `"type" : "regression"` Tambahkan `node` bidang untuk menunjukkan jenis node dari node target. Tambahkan `predicate` bidang untuk menentukan data literal mana yang digunakan sebagai fitur simpul target dari simpul target. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
Target `node` berikut in imenunjukkan bahwa properti `rating` masing-masing simpul `Movie` harus diperlakukan sebagai label regresi simpul :
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"node": "http://aws.amazon.com/neptune/csv2rdf/class/Movie",
"predicate": "http://aws.amazon.com/neptune/csv2rdf/datatypeProperty/rating",
"type": "regression",
"split_rate": [0.7,0.1,0.2]
}
]
}
}
```
### Menentukan tugas prediksi tautan untuk tepi tertentu
Untuk menunjukkan tepi mana yang harus digunakan untuk tujuan pelatihan prediksi tautan, tambahkan elemen tepi ke larik target menggunakan`"type" : "link_prediction"`. Tambahkan`subject`, `predicate` dan `object` bidang untuk menentukan jenis tepi. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
`edge`Target berikut menunjukkan bahwa `directed` tepi yang `Directors` terhubung `Movies` harus digunakan untuk prediksi tautan:
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"subject": "http://aws.amazon.com/neptune/csv2rdf/class/Director",
"predicate": "http://aws.amazon.com/neptune/csv2rdf/datatypeProperty/directed",
"object": "http://aws.amazon.com/neptune/csv2rdf/class/Movie",
"type" : "link_prediction"
}
]
}
}
```
### Menentukan tugas prediksi tautan untuk semua sisi
Untuk menunjukkan bahwa semua tepi harus digunakan untuk tujuan pelatihan prediksi tautan, tambahkan `edge` elemen ke array target menggunakan`"type" : "link_prediction"`. Jangan menambahkan`subject`,`predicate`, atau `object` bidang. Tambahkan `split_rate` bidang jika Anda ingin mengganti tingkat pemisahan default.
```
"additionalParams": {
"neptune_ml": {
"version": "v2.0",
"targets": [
{
"type" : "link_prediction"
}
]
}
}
```