带采样权重的Poisson XGB模型叶节点负值成因与解释方法

为什么叶节点会出现负值 #

叶节点出现负值属于count:poisson目标下的正常设计，核心逻辑是：
XGBoost实现泊松回归时遵循广义线性模型的对数连接约定，拟合的是期望费率（泊松分布参数λ）的对数值，而非直接拟合λ本身。所有树的叶节点输出之和加上全局基准偏置后，才是ln(λ)的最终预测值，再经过指数变换就得到你调用predict()输出的正费率结果，和你观测到的「模型预测值表现正常」的现象完全吻合。
单棵树的叶节点输出只是对数域的增量调整值，本身没有必须为正的限制：

• 负值叶节点代表该分支对应的样本群体属于低风险群体，在当前树的调整中需要给对数预测值一个负向扣减
• 你导出的树结构中出现的个别正值叶节点（比如fuel<0.5分支的0.07），代表对应群体属于高风险，需要给对数预测值一个正向加成

负值叶节点的正确解释方法 #

你可以按照以下逻辑解释叶节点值的业务含义：

1. 先获取模型的全局基准偏置：调用xgb_model.get_params()['base_score']，这个值是模型的初始预测基准，对应没有经过任何树调整前的默认对数预测值
2. 单个样本遍历所有树得到的叶节点输出累加和，加上全局基准偏置后，得到的结果即为ln(期望费率)，对该值取指数就得到该样本的最终预测费率
   举个简单示例：
   假设全局基准偏置为ln(0.1)≈-2.3026，某样本遍历500棵树得到的叶节点输出总和为-0.8，则最终预测费率为exp(-2.3026 -0.8)≈0.045，完全符合费率为正的要求。
   你拟合时传入风险暴露作为样本权重的操作不会影响叶节点的输出逻辑，XGBoost的泊松目标会自动适配权重做对数域的参数拟合，不会改变叶节点值是对数增量的本质。
   内容的提问来源于stack exchange，提问作者madpiper