XGBoost模型的最终预测值并非仅由各树中被激活叶子节点的值简单相加得到，还需加上训练后实际生效的base_score（可能不同于用户传入的参数值），该值需通过底层配置获取。
xgboost模型的最终预测值并非仅由各树中被激活叶子节点的值简单相加得到，还需加上训练后实际生效的`base_score`（可能不同于用户传入的参数值），该值需通过底层配置获取。
在使用 XGBRegressor 时，一个常见误解是：模型预测结果等于所有决策树中对应预测路径所抵达叶子节点值的直接求和。然而，如示例代码所示，即使遍历每棵树、提取预测路径上的叶子值并累加，结果仍与 predict() 输出不一致——这是因为忽略了 XGBoost 内部真正参与预测计算的 偏置基准分（base_score）。
关键点在于：XGBRegressor 的 base_score 参数在 sklearn 接口中默认为 None，但这仅表示“未显式设置”，并不代表模型不使用 base_score。XGBoost 在训练过程中会根据目标函数和初始化策略自动设定一个内部 base_score（例如对回归任务常设为标签均值或 0.5），且该值独立于 Python 层的 model.base_score 属性（后者始终为 None 或用户传入值，不会被自动更新）。
要获取实际生效的 base_score，必须访问底层 Booster 的序列化配置：
import json config = json.loads(xg_reg.get_booster().save_config()) base_score = float(config["learner"]["learner_model_param"]["base_score"])
修正后的预测值还原逻辑如下：
l_pred = []
for pli in predicted_leafs_indices: # shape: (n_samples, n_trees)
tree_sum = sum(leafs[tree_idx][node_id] for tree_idx, node_id in enumerate(pli))
l_pred.append(tree_sum + base_score) # ✅ 关键：加上真实 base_score
# 验证一致性（允许数值误差）
assert np.allclose(np.array(l_pred), y_pred, atol=1e-6)⚠️ 注意事项：
- get_dump(dump_format="json") 返回的是树结构快照，但不包含 base_score；它仅用于可视化或调试树形，不可替代配置读取；
- pred_leaf=True 返回的 leaf indices 是按树序排列的整数数组，索引顺序与 get_dump() 返回的树列表严格一致，可安全 zip 使用；
- 若模型启用了正则化（如 reg_alpha, reg_lambda）或自定义目标函数，叶子值本身已隐含梯度/二阶导信息，但 base_score 仍是独立加性项；
- XGBoost ≥ 2.0 版本中 save_config() 是稳定接口；旧版本可尝试 booster.attr("base_score")（若存在）作为备选。
综上，XGBoost 的完整预测公式为：
prediction = base_score + Σ(leaf_value_of_tree_i)
其中 base_score 必须从 save_config() 中解析，而非依赖 sklearn 层属性或硬编码默认值。
