gradient boosting求助

    之前ltx5151大神帮我解答了关于boosting的疑惑，现在在看gradient boosting的时候，又有一些问题不太明白。
    对于gradient boosting的了解，先看了斯坦福的网上教程 http://v.163.com/movie/2008/1/B/O/M6SGF6VB4_M6SGHJ9BO.html，gradient descent,了解了一下梯度下降的原理，就是对代价函数（损失函数）求导，找到损失函数梯度下降最大的方向，乘以步长，一步一步的达到收敛，即达到代价函数的局部最优解，由于代价函数设置为平方差的形式，最优解只有一个。
    然后在过来看楼主推荐的大牛friedman的文章，http://www-stat.stanford.edu/~jhf/ftp/stobst.pdf。看到第五个公式的时候，又迷惑了，然后找到这个公式的出处，同样是大牛friedman的，《Greedy Function Approximation:A Gradient Boosting Machine》，里面讲对这个公式进行参数优化：
是为了找到梯度下降最大的方向，我的疑问是里面的已经求了一次导了，为梯度方向，那这一步的意义又在哪？有什么数学含义啊？
    困扰了好久，求大神帮助。

这里面讨论的是在training sample的情况下进行逼近。在此之前，作者讨论的在function space的概念，但是这里要具体讨论如何在有限样本上使用。每个g_m(x_i)都是对应的梯度函数（scaled by step length）在样本x_i上的实现。