趋近智
您已经了解梯度提升模型在典型的回归和分类问题上表现出色。但其灵活性也适用于更特殊的机器学习 (machine learning)任务。本章将介绍如何应用和调整梯度提升框架,以解决超出典型监督学习 (supervised learning)范围的问题。
您将了解到:
rank:pairwise 等特定目标函数。我们将查看为在这些特定应用中有效使用 XGBoost、LightGBM 或 CatBoost,所需对目标函数和配置进行的必要修改。本章最后将提供一个排序学习任务的实际实现。
9.1 使用梯度提升的排序学习
9.2 排序损失函数(成对、列表)
9.3 梯度提升在生存分析中的应用
9.4 生存分析目标函数 (Cox 比例风险模型)
9.5 使用梯度提升进行分位数回归
9.6 分位数损失函数实现
9.7 多输出梯度提升
9.8 实践:使用XGBoost实现排序