GBrank：最终模型是什么？

Question

一位同事和我无法就GBrank模型（训练后）的样子达成共识。

介绍

该方法开始通过执行从成对的典型转换为逐点数据集，其中，所述目标变量Ž现在表示这应该是高的分数，ž_我>ž _j当i优于j。然后，作者建议使用梯度推进树，和“惩罚”情况下，该模型预测ž_Ĵ>ž_Ĵ和我优于Ĵ。 “惩罚”是通过切换分数来执行的，也是通过增加或减少τ来执行的。

分歧

我们不同意是梯度推进排名本身是否是一个ensembler。也就是说，我们正在训练的模型是g _k或者是h _k？

参考资料

• 原条款：http://www.cc.gatech.edu/~zha/papers/fp086-zheng.pdf

Answer 1

^h在整个纸用来表示你正在使用的假设，克只是一个域特定的回归模型用于构造h，因此GBRank是h _k。特别是它是一种助推方法，因此它必须是一个整体，通过从弱弱的学习者那里建立一个强大的学习者来训练（从80年代晚期由Kearns和Valiant构成的助推的定义） - h是一个整体（由于经常性定义），g不是（因为它只是在一些转换数据集上训练的回归器）。