我一直在寻找一种方法来生产＆＃39;基于R或python的Random Forest / Gradient提升树模型，并且认为由于所有单个组件决策树都是二叉树，因此导出到图形数据库可能是一个可行的解决方案（通过将模型保存在内存中并从轻量级调用来进行部署像Flask这样的宁静图书馆并没有那么好地扩展。以下是决策树的正常运行方式：
1。）数据传递到根节点
2.）我们检查当前节点是否是叶子节点;如果是，我们返回一组属性（预测的分布/值）。
如果不是，则节点存储决策规则，并检查相关列以将数据传递给下一个节点（例如，＆＃34;如果年龄> 9.5，则移至左节点＆＃34;）
重复2-3。
我对neo4j和图形数据库一般都很陌生，我不清楚可以在节点中存储（并随后遍历）决策规则;我看到的所有例子都倾向于
MATCH (neo:Database {name:"Neo4j"})
MATCH (johan:Person {name:"Johan"})
CREATE (johan)-[:FRIEND]->(:Person:Expert {name:"Max"})-[:WORKED_WITH]-> (neo)
其中条件语句在查询中预先指定。这是neo4j可行的，如果是的话，我应该关注哪些文档？
感谢您提供任何指导。
答案 0 :(得分：1)
有趣的问题。
您需要一种方法从R或Python中导出模型并将其转换为Neo4J图。
导出机制可以是PMML（如果您使用R rpart包生成修剪树），Google protobuf（如果您使用R gbm包生成树），或者只是Excel电子表格。
解析和解组Neo4J是你的问题。
答案 1 :(得分：-1)