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：

• 排序学习： 应用梯度提升根据相关性对项目排序，常用于搜索和推荐系统。我们将查看 rank:pairwise 等特定目标函数。
• 生存分析： 使用梯度提升对时间到事件数据进行建模，同时考虑医学研究或故障分析中常见的删失观测值。这涉及到像 Cox 比例风险模型这样的目标。
• 分位数回归： 估计目标变量的特定条件分位数，提供比仅预测均值更完整的分布情况。这需要实现或使用分位数损失函数 (loss function)。
• 多输出问题： 处理每个输入需要同时预测多个目标变量的情境的策略。

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。