原生XGB与XGBRegressor预测一致但指标不同的原因咨询

预测结果完全一致说明两个模型的参数和拟合逻辑完全对齐，指标差异的核心原因是两个接口对poisson-nloglik的计算方式不同：一个计算总损失，一个计算平均损失。

1. 指标计算的缩放差异 #

XGBoost原生接口（xgb.train）与scikit-learn接口（XGBRegressor）在计算poisson-nloglik时，默认归一化逻辑不同：

• xgb.train的eval方法返回的是所有样本的对数似然损失总和
• XGBRegressor的evals_result返回的是单样本的平均对数似然损失

你可以通过以下代码验证：将scikit-learn接口的结果乘以训练集样本数，应与原生接口的结果近似相等（忽略浮点误差）：

train_size = len(simdf_train)
# 原生接口的总损失
native_loss = float(bst_A.eval(xgbMatrix_A).split(':')[-1])
# 平均损失乘以样本数，与总损失对齐
sklearn_scaled_loss = bst_B.evals_result()["validation_0"]["poisson-nloglik"][-1] * train_size
print(native_loss)
print(sklearn_scaled_loss)

2. 计算时机的细节补充 #

xgb.train的eval是训练完成后，基于最终模型对验证集（此处为训练集）重新计算的指标；而XGBRegressor的evals_result记录的是训练过程中每一轮迭代后的指标值，最终取第50轮的结果。不过因为模型最终收敛到同一状态，这个差异不会导致数值偏差，核心仍为缩放逻辑不同。

3. 参数一致性验证（可选） #

虽然你的预测结果一致，可确认从config提取的参数是否完全保留原生模型设置（比如monotone_constraints），避免隐性参数遗漏：

print(model_param)

内容的提问来源于stack exchange，提问作者Lolivano