如何在LGBM自定义目标函数中复现泊松（Poisson）损失

你当前的自定义泊松损失存在两处核心错误，修改后即可对齐LGBM内置泊松损失的效果：

错误1：二阶导数（海森矩阵）计算逻辑错误 #

泊松负对数似然损失的求导逻辑为：

• 一阶导数：grad = exp(y_pred) - y_true （你的这部分计算是正确的）
• 二阶导数：hess = exp(y_pred) （你错误地将max_delta_step加入了二阶导数的计算，导致海森值完全偏离正确数值，训练更新逻辑出错）

错误2：max_delta_step的使用场景错误 #

max_delta_step是LGBM训练层面的全局参数，作用是限制单棵树的输出上限，避免单次迭代的预测值更新幅度过大、exp()计算后出现数值溢出，该参数不需要写在自定义损失函数的导数计算逻辑里。

正确实现方案 #

1. 自定义损失函数代码

import numpy as np

def custom_poisson_loss(y_true, y_pred):
    # 可选：对预测值做下截断，避免exp计算出现下溢，和内置逻辑对齐
    y_pred = np.clip(y_pred, a_min=-100, a_max=None)
    grad = np.exp(y_pred) - y_true
    hess = np.exp(y_pred)
    return grad, hess

2. 训练参数对齐配置

在LGBM的训练参数中保留max_delta_step=0.7即可，不需要对损失函数做额外修改，其余参数和你使用内置泊松损失时保持完全一致。

你可以先用小样本数据分别测试内置损失和自定义损失的梯度、海森输出，确认二者数值完全一致后再进行全量训练，即可保证最终模型性能对齐。

内容的提问来源于stack exchange，提问作者Cherry Wu