LambdaMART的源码分析：二（LambdaMART的流程)

参考论文:
From RankNet to LambdaRank to LambdaMART: An Overview（公式主要引用这个）

GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE （MART的思想）

Adapting boosting for information retrieval measures

ciir.umass.edu.learning.tree.LambdaMART类：

1.init方法

 a .设置训练数据，为每个训练数据i设置初值（0），为每个训练数据的y设置初值（0），为每个训练数据的w设置初值（0）

 b. 按照每个feature的大小重新排训练数据，为方便后面的计算。

 c. 每个feature都设置一批值以供后续做回归树split时的切分点。

 d. 初始化一个回归树（该树未进行分裂）

2.learn方法

   生成指定数目的tree，以下为生成一个树的流程。

   1.  清空以前生成的pseudoResponses(yi),weights(wi).    

   2. computePseudoResponses函数中根据以下公式生成新的 pseudoResponses（yi),weights(wi) 

      先求lambdaij,然后再叠加求出lambdai即（yi）

3.用新生成的 pseudoResponses（yi)来更新回归树

4.生成一棵新的回归树，并保存结果，参考上一节。

5.求得γlk。

6.重新计算modelScores，即每个训练数据的评分

7.通过early stop的方式校验数据和退出