在刚刚分享的两个场景中，我们都用到了 TigerGraph 图分析算法结合机器学习，可见图+机器学习已经成为现代很多企业最佳的解决方案。众所周知，在机器学习领域有一个很流行的说法：“算法好不如数据多”。很多机器学习就是因为缺乏充足的训练数据而失败的。简单来说，样本大小直接影响着预测的质量。很多大型客户使用 TigerGraph 来计算机器学习领域所谓的图特征。通过 TigerGraph 图分析，生成更多新特征。这将会有更多训练数据，从而提高机器学习解决方案的准确性。

为了帮助客户加速和改进机器学习性能，TigerGraph 创建了机器学习工作台（ML Workbench）。这是一个基于Jupyter的Python开发框架，可以使数据科学家，人工智能和机器学习的从业者更容易、也更熟悉地使用图分析，而无需学习很多新的数据处理方式。事实上，我们已经看到早期采用者通过使用TigerGraph 机器学习工作台和 TigerGraph图数据库，他们的机器学习模型的准确性提高了 10% 到 50%。”

如果你希望更快速地构建图神经网络 (GNN) 模型，轻松探索GNN，那么你更应该使用TigerGraph 机器学习工作台。TigerGraph机器学习工作台专门用于处理企业级数据，其中内置的子图抽样，图数据处理，用于准备训练、验证、测试图数据集等功能，更是可以帮助用户在大型图上轻松训练图神经网络，而无需强大的机器。