熟悉fate文档

最新推荐文章于 2024-07-12 22:16:04 发布

Paranoid_LZW

最新推荐文章于 2024-07-12 22:16:04 发布

阅读量777

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_42175095/article/details/119651738

本文详细介绍了FATE框架中的关键组件，包括DataIO、Intersection、Federated Sampling、Feature Scale、Hetero Feature Binning、OneHot Encoder、Hetero Feature Selection、Hetero/LR、Homo-LR和Hetero Secure Boosting。这些组件在数据转换、联合采样、特征缩放、特征选择以及各种模型训练中扮演重要角色，展示了FATE在联邦学习中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

熟悉fate文档

Supported Components

DataIO
对应模块名称DataIO，通常是建模任务的第一个组件，将用户上传数据转换为实例对象。
数据输入：DTable，值是原始数据。
数据输出：转换后的DTable，值是federatedml/feature/instance.py中定义的数据实例。
Intersect
对应模块名称Intersection计算两方的相交数据集，而不会泄漏差异集信息。主要用于异构方案任务。
数据输入：DTable数据。
数据输出：同时出现在两方DTable的键组成的DTable。
Federated Sampling
对应模块名称FederatedSample，联合采样数据，使分布在各方之间变得平衡。此模块支持federated版本和standalone版本。
数据输入：DTable数据。
数据输出：采样数据，支持随机采样和分层采样。
Feature Scale
对应模块名称FeatureScale，用于特征缩放和标准化的模块。
数据输入：DTable，其值为实例。
数据输出：转换后的DTable。
模型输出：变换系数，例如最小/最大，平均值/标准差。
Hetero Feature Binning
对应模块名称HeteroFeatureBinning，使用合并输入数据，计算每个列的iv和woe，并根据合并后的信息转换数据。
数据输入：DTable在guest中有标签y，在host中没有标签y。
数据输出：转换后的DTable。
模型输出：每列的iv /woe，分裂点，事件计数，非事件计数等。
OneHot Encoder
对应模块名称OneHotEncoder，将一列转换为OneHot格式。
数据输入：输入DTa