执行作业

执行横向作业

横向训练型作业在作业配置页面单击“保存”按钮后，单击“提交审批”按钮，审批完成后再单击“执行”按钮。

横向评估型作业在作业配置页面单击“保存”按钮后，可以直接单击“执行”按钮。

1. 用户登录进入计算节点页面。
2. 在左侧导航树上依次选择“作业管理 > 可信联邦学习”，打开可信联邦学习作业页面。
3. 在“可信联邦学习”页面，查找待执行的作业，单击“执行”，系统自动跳转到“历史作业”页面。
   图1 执行作业
   

4. 等待执行完成，在“历史作业”页面查看对应的执行结果、作业报告。作业报告展示作业详细信息，包括作业输入条件、输出结果、执行环境、合作方信息和模型贡献度等。
   图2 展示作业报告
   

执行纵向作业

1. 用户登录进入计算节点页面。
2. 在左侧导航树上依次选择“作业管理 > 可信联邦学习”，打开可信联邦学习作业页面。
3. 在“可信联邦学习”页面，查找待执行的纵向作业，单击“执行”。
   图3 执行作业
   

4. 在弹出的界面配置执行参数，配置执行参数可选择常规配置与自定义配置。填写完作业参数，单击“确定”即可开始训练作业。
   • 常规配置：通过界面点选算法使用的常规参数，具体支持的参数请参考表1。

     表1 常规配置参数

     算法类型	参数名	参数描述
     XGBoost	学习率	控制权重更新的幅度，以及训练的速度和精度。取值范围为0~1的小数。
     	树数量	定义XGBoost算法中决策树的数量，一个样本的预测值是多棵树预测值的加权和。取值范围为1~50的整数。
     	树深度	定义每棵决策树的深度，根节点为第一层。取值范围为1~10的整数。
     	切分点数量	定义每个特征切分点的数量，数量越多，准确率越高，计算时间越长。取值范围为5~10的整数。
     	分类阈值	区分正负例的得分阈值。
     逻辑回归/FiBiNET	学习率	控制权重更新的幅度，影响训练收敛速度和模型精度，取值范围为0~1。
     	迭代次数	完成全部样本训练的次数，取值为正整数。
     	批大小	单次训练使用的样本数，取值为正整数。
     	分类阈值	区分正负例的得分阈值

   • 自定义配置： 通过json格式的文本配置更多高级参数，具体支持的参数请参考表2。

     表2 自定义配置参数

     参数	是否必选	参数类型	描述
     predict_threshold	否	Float	预测阈值，最小值0，最大值1
     learning_rate	否	Float	学习率，最小值0，最大值1
     batch_size	否	Integer	批大小，最小值1
     epoch	否	Integer	迭代次数，最小值1
     tree_num	否	Integer	树数量，最小值1
     tree_depth	否	Integer	树深度，最小值1
     split_num	否	Integer	切分点数量，最小值5
     discrete_embedding_size	否	Integer	离散特征embedding的维度，最小值4
     multihot_embedding_size	否	Integer	multihot特征embedding的维度，最小值4
     mlp_dims	否	Array of integers	多层感知机每层的节点数
     reduction_ratio	否	Integer	senet层压缩比例，最小值2
     save_format	否	String	模型保存格式
     loss_function	否	String	损失函数
     loss_param	否	String	损失函数参数json字符串

   启动作业后会生成一条新的历史作业记录。

5. 等待执行完成，在“历史作业”页面查看更详细的作业运行信息，包括执行结果、作业报告。