如何使用MLP二分类/MLP多分类/MLP回归组件_隐私增强计算(DataTrust)-阿里云帮助中心

一、组件说明

MLP二分类是指使用多层感知机（Multi-Layer Perceptron）进行二元分类问题的解决。多层感知机是一种前馈神经网络，通过多个神经元的组合对输入特征进行非线性变换和特征提取，最终输出一个连续的预测结果。

在训练过程中，利用反向传播算法（Backpropagation）和梯度下降算法（Gradient Descent）来优化模型参数，以最小化训练集中样本类别之间的差异性。

在二分类问题中，多层感知机将输入特征映射到一个二元分类输出，即预测样本属于正例或负例的概率。

组件截图

二、参数说明

字段设置

参数名称	参数说明
标签字段	用于训练的标签字段，数值类型，单选。
特征字段	用于预测的特征字段，数值类型，多选。注意：正常情况下请检查，在特征字段中不要勾选标签字段。
输入特征为KV格式	目前DataTrust支持KV格式的特征输入（即LIBSVM格式）。使用时，数据格式如下，其中key的下标应从1开始，value应均为数值：

模型结构概况

参数设置

参数名称	参数英文名称	参数说明
学习率	learning_rate	用于训练的标签字段，数值类型，单选。
批处理大小	batch_size	每个小批次的样本数量。batch_size的大小会影响模型的训练速度和泛化能力，通常情况下，较小的batch_size可以更快地收敛，但可能会导致模型过拟合；较大的batch_size会更稳定，但收敛速度较慢。
迭代轮数	epochs	模型样本的迭代次数。
融合模型参数-各隐藏层节点数	hidden_layers	数组输入，例如希望有三层，每层的宽度分别为64、32、32，则输入[64,32,32]，注意分隔符均为半角字符。
使用方模型参数-各隐藏层节点数	host_hidden_layers	数组输入，例如希望有三层，每层的宽度分别为64、32、32，则输入[64,32,32]，注意分隔符均为半角字符。
使用方模型参数-输出节点数	host_out_num	host_output_layer的输出宽度，正整数值。
使用方模型参数-差分噪声	host_sigma	浮点数，数值越小，则噪音越小。
加持方模型参数-各隐藏层节点数	slave_hidden_layers	数组输入，例如希望有三层，每层的宽度分别为64、32、32，则输入[64,32,32]，注意分隔符均为半角字符。
加持方模型参数-输出节点数	slave_out_num	host_output_layer的输出宽度，正整数值。
加持方模型参数-差分噪声	slave_sigma	浮点数，数值越小，则噪音越小。

训练成功后的模型保存

训练成功后，模型将依据联邦建模双方的特征，分片保存在各自的平台上。训练成功的模型保存在【项目台】-【模型管理】-【模型文件】中，保存名称为${工作流名称}_${建模组件名称}。例如，本项目中有成功建模的任务名为“xgb_criteo_10w”，其中有建模组件名字为“MLP二分类”，则模型名字为“xgb_criteo_10w_MLP二分类”，如下图所示：