Angle和XBGoost以及Spark的性能对比

性能优势

新版本的Angel，添加了诸多新功能，最终的目的，就是让算法工程师能更加从容地进行算法优化，融入更多的算法的Trick，让算法的性能，得到了一个飞跃的提升。

相关性能的细节数据，在Github的各个算法介绍文档都可以看到，欢迎点击文末“阅读原文”移步GitHub。

1.GBDT

众所周知，XGBoost的强项之一，就是GBDT算法，性能飞快，使用简单，在众多算法比赛中，是选手们的最爱。尽管如此，Angel的GBDT算法，却还是超越了它，这是一个非常不错的性能背书。

• 性能比较

• 数据：腾讯内部某性别预测数据集，3.3×10^5 特征，1.2×10^8 样本

• 详细文档：GBDT on Angel

  
  

2.LDA

众所周知，LDA是一个非常消耗资源的主题模型算法，新一代的Angel，在LDA上的性能，不但超越了Spark，也已经超越了之前开源过的Petuum。（由于Petuum已经不开源多时，所以比对数据，这里就不再贴出了）

• 数据：PubMED

• 详细文档: LDA on Angel

  
  

3.GD-LR

LR是广告推荐中广泛应用的一个算法，Angel分别提供了利用Gradient Descent、ADMM两种优化方法计算的LR算法。这两种算法，无论是耗费的资源，还是性能、收敛速度，都远比原生的Spark实现优越。

• GD-LR

• 数据： 腾讯内部某推荐数据，5×10^7 特征，8×10^7 样本

• 详细文档： LR on Angel

• ADMM-LR

• 数据：腾讯内部某推荐数据，5千万特征，1亿样本