创建纵向联邦学习作业

前提条件

• 联盟组建完成，参考组建联盟。
• 联盟成员完成计算节点部署，配置参数时选择挂载方式和数据目录，参考部署计算节点。
• 联盟成员在计算节点中完成数据发布，参考发布数据。

约束限制

• 纵向联邦作业XGBoost算法只支持两方参与训练。
• 训练作业必须选择一个当前计算节点发布的数据集。
• 作业创建者的数据集必须含有特征。

创建纵向联邦学习作业

纵向联邦学习作业在本地运行，目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。

纵向联邦学习分为五个步骤：数据选择、样本对齐（可选）、特征选择（可选）、模型训练、模型评估。

创建过程如下：

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，单击“创建”。
   图1 创建作业
   

4. 在弹出的对话框中单击“纵向联邦”按钮，编辑“作业名称”等相关参数，完成后单击“确定”。
   目前，纵向联邦学习支持“XGBoost”、“逻辑回归”、“FiBiNET”三种算法类型，XGBoost支持“分类”和“回归”两种任务类型。

   图2 新建作业
   

5. 在弹出的界面进行数据选择，选择两方数据集作为整个作业的数据集，必须选择一个当前代理的数据集，另一个数据集可以来自联盟中的任意一方。两方的数据集中一方数据集只含有特征，另一方的数据集必须含有标签。

   重试：开关开启后，执行失败的作业会根据配置定时进行重试，仅对开启后的执行作业生效。开关关闭后，关闭前已触发重试的作业不受影响，仅对关闭后的执行作业生效。

   样本粗筛：当己方数据过大无法导出成文本文件时，可以使用样本粗筛获取合作方的明文id前缀，使用大数据组件筛选出id前缀相符的数据，达到减少数据量的目的。样本粗筛时还可以选择多个标记为“非敏感”的字段进行过滤，结果会按照“id前缀,过滤字段1,过滤字段2……”的格式保存成csv文本文件。

   选择完成后单击“下一步”。

   图3 数据选择
   

   图4 样本粗筛
   

6. (可选步骤) 样本对齐，支持使用新对齐的结果，如图5所示；也支持复用隐私求交作业中通过这两个数据集计算得到的结果，如图6所示。
   图5 使用新对齐结果
   
   图6 复用隐私求交作业中的结果
   

7. （可选步骤）进行特征选择，此步骤要求数据已经对齐，即两方数据集每一行的数据都是一一对应的。

   单击数据集按钮切换数据集，勾选特征作为模型训练的指定特征，选择分箱方式后单击“启动分箱和IV计算”，计算得到所选特征对标签的影响程度。计算完成后，单击特征行的可以展开图表形式的分箱woe值。

   “FiBiNET”算法新增限制：

   1. 特征方必须要有两个及以上离散特征，连续特征可有可无。
   2. 标签方可以不提供任何特征，如果标签方提供特征也要遵循1规则。

   其他算法无限制

   选择完成后单击“下一步”。

   

   • 在所选数据集中只能有一个字段是标签。
   • 训练时需勾选使用的特征选项，勾选后可以跳过特征分箱，直接进行训练。
   • 分箱方式包括等频分箱和等距分箱。等频分箱是指经过计算使得每个分箱区间包含大致相等的实例数量；等距分箱是指经过计算使得每个箱体的区间间隔保持一致。
   • 需要至少勾选一个无标签数据集特征才能进行模型训练。如果不勾选任何特征，会提示“选择两个数据集，一个有标签，一个无标签，且至少选择一个无标签方特征，才可启动训练。”
   图7 特征选择
   
   图8 查看特征分箱woe值
   

8. 在页面右下角单击“启动训练”进行模型训练。
9. 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。
   • 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

   图9 常规参数配置（XGBoost）
   
   图10 常规参数配置（逻辑回归/FiBiNET）
   
   图11 自定义参数配置
   

   填写完作业参数，单击“确定”即可开始训练作业。启动作业后会生成一条新的历史作业记录。模型训练页面展示了历史作业的执行情况、模型的评估指标和生成时间。模型的评估指标是使用训练数据集产生的。

   单击“查看参数”可以查看该模型训练时指定的机器学习作业参数；逻辑回归作业可以单击“查看中间结果”实时查看每一次迭代的评估指标。

   图12 模型训练参数
   

10. 进行模型评估。在历史作业列表中，单击执行成功的记录操作列的“发起评估”，可对该模型发起一次评估作业，用于评估该模型在非训练数据集上的表现。

    评估作业需要选择和训练数据集数据结构相同的两方数据集，以保证评估的正常进行。

    模型评估指标包括准确率/AUC/KS/F1/召回率/精确率，取值范围均在0~1之间。AUC和F1作为综合评估指标，值越大说明训练出的模型越好。

    图13 发起评估