L2R最常用的包就是XGBoost 和LightGBM，xgboost因为其性能及快速处理能力，在机器学习比赛中成为常用的开源工具包， 2016年微软开源了旗下的lightgbm（插句题外话：微软的人真是够谦虚的，开源的包都是light前缀，公司更是micro），对标xgboost，在结果相差不大的前提下，显著缩短了训练时间。
先占个坑，等有空展开写写。
下面分别介绍下两者：
一、XGBoost
1.git地址：https://github.com/dmlc/xgboost 参数说明：http://xgboost.readthedocs.io/en/latest/python/python_api.html
2.改进思想
2.1 算法方面
2.1.1 SPLIT FINDING ALGORITHMS
2.2 系统实现
2.2.1 Column Block for Parallel Learning
2.2.2 Cache-aware Access
3.参数说明
xgboost参数
params = {'seed':0, 'objective':'reg:tweedie', 'eval_metric':'tweedie-nloglik@1.2', 'tweedie_variance_power':1.2}
params = {'seed':0, 'objective':'reg:linear', 'eval_metric':'rmse'}
param = {
'eta':0.1,
#为了防止过拟合，更新过程中用到的收缩步长。在每次提升计算之后，算法会直接获得新特征的权重。 eta通过缩减特征的权重使提升计算过程更加保守。
#缺省值为0.3
'max_depth':3,
#数的最大深度。缺省值为6
'silent':0,
#取0时表示打印出运行时信息，取1时表示以缄默方式运行，不打印运行时信息。缺省值为0
'objective':'reg:gamma',
'tweedie_variance_power':1.7,
#parameter that controls the variance of the Tweedie distribution var(y) ~ E(y)^tweedie_variance_power
#取值range: (1,2) 2为gamma分布、1为Poisson分布
"tree_method":"approx",
"colsample_bytree":1.0,
#在建立树时对特征采样的比例。缺省值为1
"subsample":1,
#用于训练模型的子样本占整个样本集合的比例。如果设置为0.5则意味着XGBoost将随机的冲整个样本集合中随机的抽取出50%的子样本建立树模型，
这能够防止过拟合。
'sketch_eps':0.03, （默认值）
"updater":'grow_histmaker,prune',
#‘grow_histmaker’: distributed tree construction with row-based data splitting based on global proposal of histogram counting.
#‘prune’: prunes the splits where loss < min_split_loss (or gamma).
'lambda': 0.1
#Parameter for Linear Booster L2 正则的惩罚系数 default为0
"alpha":0.5,
#Parameter for Linear Booster L1 正则的惩罚系数 default为0
num_round = tree_num train阶段进行设置
#The number of rounds for boosting
二、LightGBM
1.git地址：https://github.com/Microsoft/LightGBM 入门安装文档：https://lightgbm.readthedocs.io/en/latest/ 中文文档：http://lightgbm.apachecn.org/cn/latest/Quick-Start.html
2. 改进思想
2.1 histgram 算法
2.2 GOSS
3.lightgbm模型文件解析
配置文件备注1： 配置文件根据不同任务在examples中各个子文件夹中都有示例，额外的参数是可以指定categorical_column，这个主要是区别于连续变量，这两种类型的变量在lightgbm中可以都只占一列，而不需特别进行离散化。
配置文件备注2： categorical特征和continuous特征的缺失值分别用'NA'和‘-1’表示。
首先，模型文件主要分三部分：模型基本概况 、各个子树的信息以及各个特征重要性说明。
3.1 模型基本概况
主要包括：
num_class=1(二分类与listwise均为1，转换成概率)，
label_index(目标所在的列序号)，
max_feature_idx(特征最大列数，从0开始计数，和feature_names呼应)
feature_infos(列出每个特征的取值范围，连续变量用中括号区间表示， 离散值用冒号分隔，挨个枚举列出来， 没有发挥作用就用none表示)
tree_sizes(每棵树的size)
version=v2
配置信息：
categorical_column = 12,13,14,15,16,17,19,21,23,26,28,30,32,33,34,36,37,40,41,42,43,44,45,46,47,48,49,50,51,52,66,67,160,164,202,203,214,230,231,233,236,253,254,255,256,257,258,259,260,261,262,263,264,265,266,267,268,269,270,271,272,273,274,276,277
3.2 各子树基本信息
Tree = 0 :第一棵树
num_leaves=128: 叶子节点数，N个。
num_cat：切分特征中，属于categorical特征的总数，多次切分计多次。M个。
split_feature：每次分裂时的特征，128个叶子节点便有127次分裂，N-1个
split_gain： 每次分裂的信息增益，127次分裂便有127个分裂增益值，N-1个数值，且逐渐减小。
threshold ：每个特征分裂的阈值， 127次分裂便有127个阈值，N-1个。
decision_type：N-1
left_child：处于左节点的节点编号，N-1个。
right_child：处于右节点的节点编号, N-1个。
// 这两个共同表明了树的结构，节点主要分为两种：内部节点+叶子节点。
// 内部节点的范围主要是1-N-2 （N-2个）， 叶子节点以负号开头，主要是-N -- -1 （N个），合起来刚好2N-2个。
leaf_value：各个叶子节点的预测值，N个。
leaf_count： 每个叶子节点的样本数目，N个。加起来的数目应该是训练样本的数量 * bagging_fraction
internal_value：N-1个。各个中间节点（即内部节点）的预测值。
internal_count：N-1个。 各个中间节点（即内部节点）上的样本数目。
//internal 表示中间节点， leaf为叶子节点
cat_boundaries：M+1个，
cat_threshold：大小为cat_boundaries最后一个元素
shrinkage: 配置文件中设置，学习率。
3.3 特征重要性
Column_8=50， 所有特征中最重要的，后面的数值表示在所有树中，作为分裂特征的总次数。
Column_10=48