我和一位同事在GBrank模型（经过训练后）的最终形态上无法达成共识。

引言

该方法首先执行从成对数据到逐点数据的典型转换，其中目标变量z现在代表一个分数，当i优于j时，z_i > z_j。作者随后建议使用梯度提升树，并在模型预测z_j > z_j且i优于j的情况下进行“惩罚”。这种“惩罚”通过交换分数并增加或减少τ来实现。

分歧

我们分歧的点在于，梯度提升排序本身是否是一个集成模型。也就是说，我们正在训练的模型是g_k还是h_k？

参考资料

• 原始文章：http://www.cc.gatech.edu/~zha/papers/fp086-zheng.pdf

回答：

在整篇论文中，h用来表示你正在处理的假设，g只是一个用于构建h的特定领域回归模型，因此GBrank是h_k。特别地，它是一种提升方法，因此必须是一个集成模型，通过从一组弱学习器中构建强学习器来训练（根据Kearns和Valiant在80年代末提出的提升定义）。h是一个集成模型（由于其反复定义），而g不是（因为它只是在某些转换后的数据集上训练的回归器）。