LambdaMART
Parent: ai_keywords
LambdaMART
核心定义
LambdaMART（Lambda + Multiple Additive Regression Tree）是排序学习（Learning to Rank）中的主流算法，由微软研究院提出。它融合了LambdaRank的排序梯度修正思想与MART（梯度提升树，GBDT）的集成学习框架，通过为每个文档对（pair）分配动态权重的“Lambda”梯度，直接优化排序评价指标（如NDCG、MAP），而非传统分类/回归损失。该算法在搜索引擎排序、推荐系统中表现优异，并因其对非平稳、高维特征的鲁棒性而逐步向生物医学排序任务延伸。
关键技术点
- Lambda梯度：定义每对文档的梯度方向为“若交换两者排序位置，评价指标的变化量”，从而将优化目标从点估计转为排序结构的整体改善。
- 梯度提升树基学习器：以CART回归树为弱分类器，通过加法模型逐步拟合Lambda残差，自动学习特征交互与非线性关系。
- 排序指标一致性：梯度的符号与真实排序指标（如NDCG@K）的单调性一致，避免传统损失函数（如交叉熵）无法反映排序质量的问题。
- 位置感知权重重定价：不同排位文档对的Lambda权重不同，使模型更关注排名靠前的文档质量。
- 输出实数值排序得分：对未见查询，模型输出每个文档的分数，按分数降序获得最终排序列表。
医学/神经科学应用场景（脑卒中预后排序）
背景：首都医科大学附属宣武医院神经内科团队需对急性缺血性脑卒中患者进行出院后90天功能结局（mRS评分）的早期预测，以指导康复资源分配。传统分类模型只能给出“预后良好/不良”两分类，但临床更需要对患者按严重程度精确排序——例如优先对高度风险患者进行强化康复干预。
方案：使用LambdaMART构建预后排序模型。输入特征包括：入院NIHSS评分、梗死体积（MRI-DWI）、年龄、溶栓时间窗、血糖、白细胞计数等。初始将每位患者的实际mRS评分（0-6）转为排序标签：mRS<2为最高优先级，mRS≥5为最低。模型训练时，LambdaMART通过优化NDCG@3（关注前三高风险患者）的梯度，自动学习哪些特征组合最能区分即将进入中重度残疾的患者。
结果：相较于传统XGBoost分类器，LambdaMART在留出验证集上的NDCG@3提高了12%，且排序列表顶端准确识别出90%的最终mRS≥4患者。该排序结果可直接用于床边护理优先级决策，实现“按需分配”的精准医疗。目前该模型已嵌入宣武医院神经重症闭环系统，用于每日动态更新康复干预排序。
