我使用python和 XGB.train 进行回归，训练数据中没有负y ，但预测结果为负；我的同事在R中执行类似的过程，并且没有负面预测。 我们都使用'count：poisson'作为目标函数。
1这个“ count：poisson”应该有能力避免负面预测吗？
2有人可以分享一些想法或解释吗，这种负面的预测是否合理？
3 Python vs R，为什么Python具有否定预测但R没有？
4如何避免负面预测？
这是我的代码：
params1 = {
'objective'：'count：poisson'，
'eta'：0.1，
'max_depth'：6，
'min_child_weight'：100，
'伽玛'：0.2，
“子样本”：0.8，
'colsample_bytree'：1，
'reg_alpha'：0，
'reg_lambda'：1，
'种子'：42
}
xgb_reg_final = xgb.train（params1，dtrain_split，num_boost_round = num_round，evals =监视列表，early_stopping_rounds = 15，evals_result = eval_dict，verbose_eval = 25）
当我调整参数时，生成最佳性能模型的最佳树数也会导致负面预测，但是如果我提早停止迭代并限制模型仅使用较少的树数，则均方根会变差，但预测变为非阴性。 那么如何让模型知道我们想要非负预测。
感谢所有帮助！