Algorithm GBrank：最终的模型是什么？

我和一位同事无法就GBrank模型（培训后）应该是什么样子达成共识

导言

该方法首先执行从两两到逐点数据集的典型转换，其中目标变量z现在表示应该更高的分数，当i优先于j时，zi>zj。然后，作者建议使用梯度增强树，并“惩罚”模型预测zj>zj的情况，并且i优先于j。“惩罚”通过切换分数和增加或减少τ来执行

分歧

我们不同意的是梯度提升排名本身是否是一个合奏者。也就是说，我们培训的是gk还是香港

参考资料

• 原文：

---

h在整篇文章中用于表示您正在处理的假设，g只是一个用于构造h的领域特定回归模型，因此GBRank是hk。特别是，它是一种增强方法，因此它必须是一个集合，通过从一组弱学习者中构建一个强学习者来进行训练（从80年代后期Kearns和Valiant提出的增强定义），h是一个集合（由于循环定义），g不是（因为它只是在一些转换数据集上训练的回归器）。

谢谢，这是我的解释，正如你所说，我在互联网上找到了一个实现。最初的猜测h_0对结果的影响如此之大，这不是有点奇怪吗？（AFAIK eta是一个小值，如0.05）因此，当他们在第2步中说“使用GBT拟合回归函数”时，这是误导性的/不正确的，实际上整个集合都是GBT？