首先ranknet：
是pairwise排序學習演算法，利用神經網路進行計算得到文件分數，從而得到文件i在文件j之前的概率，即為文件ij之間的關係（pair），進而得到損失函式，對其進行優化
其次lambdarank：
是listwise排序學習演算法，是在ranknet基礎上進行的優化，由於最基本的pairwise誤差計算方式並不能很好地模擬使用者對搜尋引擎的期望，故考慮到排名靠前的影響越大，從而引入ndcg和err，解決ranknet在計算誤差時的缺點，優化為lambdarank
（lambda可看作是損失函式的梯度，方向是文件d在列表中的移動方向，大小是文件d移動的距離，lambda可直接對ndcg進行優化）
最後lambdamart：mart用於提公升lambda（梯度）
mart是多重加法回歸樹的簡稱，又可以稱作梯度提公升樹(gradient boosting decison tree, gbdt)該演算法訓練出的模型是一系列回歸樹模型的線性組合。回歸樹模型能夠對已知資料進行分類，並在每乙個葉子節點對應該分類的輸出值。
mart是一種整合學習演算法，不同於經典的整合學習演算法adaboost利用前一輪學習器的誤差來更新下一輪學習的樣本權重，mart每次都擬合上一輪分類器產生的殘差。比如乙個人的年齡是50歲，第一棵樹擬合的結果是35歲，第一輪的殘差為15歲；然後第二棵數擬合的結果是10歲，兩棵樹相加總的擬合結果是45歲，第二輪的殘差為5歲；第三棵數擬合的結果為2歲，三棵樹相加擬合的結果是47歲，第三輪的殘差是3歲......只要如此不斷地進行下去，擬合結果就可以達到50歲，擬合殘差的過程就是訓練資料的過程。
mart使用線性組合的方式將擬合的樹結合起來，作為最後的輸出：fn(x
lambdamart演算法將mart 作為基本模型進行訓練，用lambdarank中損失函式的構造和優化方式來訓練排序模型，並用牛頓迭代法（newton-raphson）來確定每乙個葉子節點的輸出值：
關於XGBoost一些淺薄理解
決策樹 分類 靈魂 依靠某種指標進行樹的 達到分類或回歸的目的，總希望是純度越高越好 eg id3演算法就用資訊增益度量屬性選擇標準，選擇 後資訊增益最大的屬性進行 cart，classification and regression tree 分類與回歸分析 相同點 本質都是特徵到結果 標籤的對映...
堆，棧，佇列的一些淺薄的理解
一些自己理解的概念 1 記憶體 記憶體是計算機重要的部件之一，任何程式都需要在記憶體中執行，是與cpu和外部儲存裝置資料溝通的橋梁。在計算機執行的過程中，cpu會把記憶體中的資料進行運算，當執行結束後，cpu會把迅速按結果暫時輸出到記憶體。所以記憶體也決定著計算機的穩定執行。3 常用的資料結構 陣列...
repo 的一些用法和理
repo的用法 zz wget 或者 curl bin repo 用repo sync 在抓去 android source code 的時候，會經常出現一些錯誤導致 repo sync 中斷，每次都要手動開始。可以用如下的命令，來自動重複 1 while ne 0 do repo sync don...