【1】参数解释：https://www.cnblogs.com/zhangbojiangfeng/p/6428988.html
【2】实战：https://www.jianshu.com/p/5709fa18cdb4
【3】原理：http://blog.csdn.net/github_38414650/article/details/76061893
【4】调参步骤：http://blog.csdn.net/hx2017/article/details/78064362
【5】对比：http://blog.csdn.net/panda_zjd/article/details/71577463?utm_source=itdadao&utm_medium=referral
【6】https://mp.weixin.qq.com/s/duYCl9WcUjRj0nlL258b-g?scene=25#wechat_redirect这篇写的比较好。
eta学习率的解释：你可以是几个回归树的叶子节点之和为预测值，也可以是加权，比如第一棵树预测值为3.3，label为4.0，第二棵树才学0.7，….再后面的树还学个鬼，所以给他打个折扣，比如3折，那么第二棵树训练的残差为4.0-3.3*0.3=3.01，这就可以发挥了啦，以此类推，作用是啥，防止过拟合，如果对于“伪残差”学习，那更像梯度下降里面的学习率