# 乳腺癌数据集作业结果
本节实验包含了如下三个部分：（1）训练轮数对联邦学习模型分类性能的影响；（2）迭代次数对联邦学习模型分类性能的影响；（3）参与方数据量不同时，本地独立训练对比横向联邦的模型性能。
- 不同训练参数对模型准确率、训练时长的影响 训练轮数对模型准确率的影响（迭代次数固定为20）
  
| **训练轮数**   | **1**  | **10** | **20** |
|:---|:---|:---|:---|
| 测试集准确率 (%) | 98.016 | 98.016 | 98.016 |
| 测试集AUC     | 0.996  | 0.996  | 0.996  |
| 训练时长 (秒)   | 19     | 173    | 372    |
   
迭代轮数对模型准确率、训练时长的影响（训练轮数固定为10）
| **迭代次数**   | **10** | **25** | **50** |
|:---|:---|:---|:---|
| 测试集准确率 (%) | 97.065 | 98.140 | 98.415 |
| 测试集AUC     | 0.995  | 0.996  | 0.997  |
| 训练时长 (秒)   | 166    | 167    | 216    |
   
从上面两张表可以看出：
（1）训练轮数对于联邦学习模型的性能影响不大，这主要是由于乳腺癌数据集的分类相对简单，且数据集经过了扩充导致的；
（2）增大每个参与方本地模型训练的迭代次数，可以显著提升最终联邦学习模型的性能。
- 参与方数据量不同时，独立训练对比横向联邦训练的准确率 本节实验不再将训练集均匀划分到两个参与方，而是以不同的比例进行划分，从而探究当参与方数据量不同时，模型性能的变化情况。具体划分如下所示。实验中训练轮数固定为10，迭代次数固定为50。
  参与方持有的样本数目信息
  
| **Host所持样本占比(%)** | **Host样本数** | **Guest样本数** |
|:---|:---|:---|
| 0.2               | 2946        | 11786        |
| 0.4               | 5892        | 8840         |
| 0.6               | 8839        | 5893         |
| 0.8               | 11785       | 2947         |
   
下图为当Host方拥有不同数据量时，使用横向联邦对比己方独立训练的性能对比。
图1Host方拥有不同数据量时，横向联邦对比对立训练的模型性能   
![](https://support.huaweicloud.com/devg-tics/zh-cn_image_0000001692324076.png)
结论为：使用横向联邦学习，在己方拥有不同数据量的情况下都可以显著提升模型性能。