我正在研究死亡率预测（二进制结局）问题，其中“基本死亡率概率”是我对XGboost问题的补偿。 我已经使用了gbtree booster和binary：logistic目标函数。在我的数据数据中，我有多个观测值/记录，它们的X值相同，但偏移值不同。
根据我的理解（如果错误，请纠正我），binary：logistic设置下的XGBoost尝试拟合以下表示形式的模型。 log（p / 1-p）=偏移量+ F（x）使用具有不同X值的拆分对F（x）进行优化（针对特定损失函数）。
因此，当X值完全相同时，要获得F（x），我可以使用预测的输出（带有outputmargin = True选项）并从此处减去偏移量。但是，当我得到输出时，通过上述方法得到的结果是，对于同一个集合X我得到了不同的值F（X）。我相信XGBoost内部处理偏移的方式与我的理解不同。谁能向我解释这种处理偏移的方法/数学公式。
我特别想通过从偏移值调整模型预测来提取F（x）的值（因为这是模型提供的附加信息）。
以下是示例代码：
Output table
id | shopName | itemName
------------------------
1 | Shop 1 | JRC
2 | Shop 1 | sukhoy