GBrank：最终模型是什么？
GBrank: what is the final model?
我和一位同事无法就 GBrank 模型（训练后）应该是什么样子达成共识。
简介
该方法首先执行从成对数据集到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，z i > zj 当 i 优于 j 。然后，作者建议使用梯度提升树，以及 "punish" 模型预测 zj > zj[=48= 的情况] 和 i 优于 j。 "punishment" 是通过切换分数以及递增或递减 τ 来执行的。
不同意
我们不同意的地方是 Gradient Boosting Rank 本身是否是一个集成器。即我们训练的模型是gk还是hk?
参考Material
h 在整篇论文中用于表示您正在使用的假设，g 只是一个特定领域的回归模型构造h，因此GBRank为hk。特别是，它是一种提升方法，因此它必须是一个整体，通过从一组弱学习者中构建一个强大的学习者来训练（根据 Kearns 和 Valiant 在 80 年代末提出的提升定义）- h 是一个集成（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）。
我和一位同事无法就 GBrank 模型（训练后）应该是什么样子达成共识。
简介
该方法首先执行从成对数据集到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，z i > zj 当 i 优于 j 。然后，作者建议使用梯度提升树，以及 "punish" 模型预测 zj > zj[=48= 的情况] 和 i 优于 j。 "punishment" 是通过切换分数以及递增或递减 τ 来执行的。
不同意
我们不同意的地方是 Gradient Boosting Rank 本身是否是一个集成器。即我们训练的模型是gk还是hk?
参考Material
h 在整篇论文中用于表示您正在使用的假设，g 只是一个特定领域的回归模型构造h，因此GBRank为hk。特别是，它是一种提升方法，因此它必须是一个整体，通过从一组弱学习者中构建一个强大的学习者来训练（根据 Kearns 和 Valiant 在 80 年代末提出的提升定义）- h 是一个集成（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）。