Robust Regression

鲁棒回归模型（robust regression model）同样是对一个或多个自变量与一个因变量之间的关系进行建模，不同点在于其旨在克服传统参数和非参数方法的一些局限性，如普通最小二乘法的假设条件不成立时会产生误导性结果，而鲁棒回归则旨在不会受到基础数据生成过程违反假设的过度影响。

1. 算法介绍

鲁棒回归模型（robust regression model）是一种对异常值比较健壮的回归模型。给一个随机样本 ,i=1,\ldots,n), 常规的线性回归模型假设回归子和回归量 之间的关系是除了X的影响以外，还存在一个服从正态分布的误差项来捕获除了 之外任何对的影响，但如果误差项是由非正常测量误差或其他违反标准假设引起的，那么常规的线性回归模型的有效性会受到影响。鲁棒回归模型在这方面进行了改进，允许方差取决于自变量X，一个多变量鲁棒回归模型表示为以下的形式：

鲁棒回归模型使用Huber损失函数，其对残差进行分段，对不同段的残差使用不同的损失计算方式，目标函数如下所示：

)={\begin{cases}{\frac{1}{2}}\sum{{i=1}}^{n}{(y_i-f(x_i))^{2}}&{\text{for}}|y_i-f(x_i)|\leq\delta\\\delta\sum{{i=1}}^{n}(|y_i-f(x_i)|-{\frac{1}{2}})&{\text{otherwise.}}\end{cases}})

其中：=\alpha+\beta{x})为一组样本的预测。该方法结合了平方损失和绝对损失，避免了被特别大的异常值支配。

2. 分布式实现 on Angel

Angel MLLib提供了用Mini-Batch Gradient Descent优化方法求解的Robust Regression算法，其算法逻辑如下，其中)

其说明如下：

• Learning Rate在迭代过程中衰减:

其中, α为衰减系数, T为迭代次数

3. 运行 & 性能

输入格式

• ml.feature.index.range：特征向量的维度, 即特征index的范围：例如如果index范围为[0, 100000000]， 则可以将该参数配置为100000000；这个参数也可以配置为-1，表示index 范围为[Integer.MIN_VALUE, Integer.MAX_VALUE] 或者[Long.MIN_VALUE, Long.MAX_VALUE]
• ml.model.size: 模型大小, 对于一些稀疏模型, 存在一些无效维度, 即所有样本要这一维度上的取值匀为0. ml.model.size = ml.feature.index.range - number of invalidate indices
• ml.data.type：支持”dense”、”libsvm”、”dummy”三种数据格式，具体参考：Angel数据格式

参数

• 算法参数

  • ml.epoch.num：迭代次数
  • ml.minibatch.size：每次迭代选择mini-batch的样本个数
  • ml.data.validate.ratio：每次validation的样本比率，设为0时不做validation
  • ml.learn.rate：初始学习速率
  • ml.opt.decay.class.name：学习率衰减系类
  • ml.opt.decay.on.batch: 是否对每个mini batch衰减
  • ml.opt.decay.alpha: 学习率衰减参数alpha
  • ml.opt.decay.beta: 学习率衰减参数beta
  • ml.opt.decay.intervals: 学习率衰减参数intervals
  • ml.reg.l1：L1惩罚项系数
  • ml.reg.l2：L2惩罚项系数
  • ml.robustregression.loss.delta：残差分段点
  • ml.inputlayer.optimizer：优化器类型，可选”adam”,”ftrl”和”momentum”
  • ml.data.label.trans.class: 是否要对标签进行转换, 默认为”NoTrans”, 可选项为”ZeroOneTrans”(转为0-1), “PosNegTrans”(转为正负1), “AddOneTrans”(加1), “SubOneTrans”(减1).
  • ml.data.label.trans.threshold: “ZeroOneTrans”(转为0-1), “PosNegTrans”(转为正负1)这两种转还要以设一个阈值, 大于阈值的为1, 阈值默认为0
  • ml.data.posneg.ratio: 正负样本重采样比例, 对于正负样本相差较大的情况有用(如5倍以上)

• 输入输出参数

  • ml.feature.index.range：特征向量的维度
  • ml.data.type: 支持”dense”、”libsvm”两种数据格式
  • angel.train.data.path：训练数据的输入路径
  • angel.predict.data.path：预测数据的输入路径
  • angel.save.model.path：训练完成后，模型的保存路径
  • angel.predict.out.path：预测结果存储路径
  • angel.log.path：log文件保存路径

• 资源参数

  • angel.workergroup.number：Worker个数
  • angel.worker.memory.mb：Worker申请内存大小
  • angel.worker.task.number：每个Worker上的task的个数，默认为1
  • angel.ps.number：PS个数
  • angel.ps.memory.mb：PS申请内存大小

• 提交命令

  • 向Yarn集群提交RobustRegression算法训练任务:

    ./bin/angel-submit \
      --action.type=train \
      --angel.app.submit.class=com.tencent.angel.ml.core.graphsubmit.GraphRunner \
      --ml.model.class.name=com.tencent.angel.ml.regression.RobustRegression \
      --angel.train.data.path=$input_path \
      --angel.save.model.path=$model_path \
      --angel.log.path=$log_path \
      --ml.data.is.classification=false \
      --ml.model.is.classification=false \
      --ml.robustregression.loss.delta=1.0 \
      --ml.epoch.num=10 \
      --ml.feature.index.range=$featureNum+1 \
      --ml.data.validate.ratio=0.1 \
      --ml.learn.rate=0.1 \
      --ml.reg.l2=0.001 \
      --ml.data.type=libsvm \
      --ml.model.type=T_FLOAT_DENSE \
      --ml.num.update.per.epoch=10 \
      --ml.worker.thread.num=4 \
      --angel.workergroup.number=2 \
      --angel.worker.memory.mb=5000 \
      --angel.worker.task.number=1 \
      --angel.ps.number=2 \
      --angel.ps.memory.mb=5000 \
      --angel.job.name=robustReg_network \
      --angel.output.path.deleteonexist=true

  • 向Yarn集群提交RobustRegression算法增量训练任务:

    ./bin/angel-submit \
      --action.type=train \
      --angel.app.submit.class=com.tencent.angel.ml.core.graphsubmit.GraphRunner \
      --ml.model.class.name=com.tencent.angel.ml.regression.RobustRegression \
      --angel.train.data.path=$input_path \
      --angel.load.model.path=$model_path \
      --angel.save.model.path=$model_path \
      --angel.log.path=$log_path \
      --ml.data.is.classification=false \
      --ml.model.is.classification=false \
      --ml.robustregression.loss.delta=1.0 \
      --ml.epoch.num=10 \
      --ml.feature.index.range=$featureNum+1 \
      --ml.data.validate.ratio=0.1 \
      --ml.learn.rate=0.1 \
      --ml.reg.l2=0.001 \
      --ml.data.type=libsvm \
      --ml.model.type=T_FLOAT_DENSE \
      --ml.num.update.per.epoch=10 \
      --ml.worker.thread.num=4 \
      --angel.workergroup.number=2 \
      --angel.worker.memory.mb=5000 \
      --angel.worker.task.number=1 \
      --angel.ps.number=2 \
      --angel.ps.memory.mb=5000 \
      --angel.job.name=robustReg_network \
      --angel.output.path.deleteonexist=true

  • 向Yarn集群提交RobustRegression算法预测任务:

    ./bin/angel-submit \
      --action.type=predict \
      --angel.app.submit.class=com.tencent.angel.ml.core.graphsubmit.GraphRunner \
      --ml.model.class.name=com.tencent.angel.ml.regression.RobustRegression \
      --angel.predict.data.path=$input_path \
      --angel.load.model.path=$model_path \
      --angel.predict.out.path=$predict_path \
      --angel.log.path=$log_path \
      --ml.feature.index.range=$featureNum+1 \
      --ml.data.type=libsvm \
      --ml.model.type=T_FLOAT_DENSE \
      --ml.worker.thread.num=4 \
      --angel.workergroup.number=2 \
      --angel.worker.memory.mb=5000 \
      --angel.worker.task.number=1 \
      --angel.ps.number=2 \
      --angel.ps.memory.mb=5000 \
      --angel.job.name=robustReg_network \
      --angel.output.path.deleteonexist=true

性能

• 数据：E2006-tfidf，1.5×10^5 特征，1.6×10^4 样本
• 资源：
  • Angel：executor：2个，5G内存，1个task；ps：2个，5G内存
• 迭代100次时间：
  • Angel：22 min