XGBoost为什么若模型决策树的叶子节点值越大，越容易过拟合呢？
XGBoost的模型复杂度是由叶子节点个数和叶子节点值大小组成，叶子节点个数好理解，模型越复杂叶子节点个数自然就越多，但是叶子节点的值有点难理解，只能说叶子节点值越大，整个集成模型依靠这个若分类器的权重就越大
这和线性回归以及逻辑回归的原理是非常类似的，xgb最终的决策就是w1x1+w2x2+......wnxn，如果是二分类再套一个sigmoid，其中n是叶子结点数量，w是叶子结点的值，只不过这里的x都是1或0而已，假设一个极端的情况，第一个叶子结点对应的w1=1000，其它叶子结点权重为0.1，则显然w1对应叶子结点对最终的输出起到绝大部分的贡献，那么如果第一个叶子结点对应的基树拟合的过头，很容易导致整体的输出方差增大引发过拟合。
感觉有些回答讲得太过多无关内容，或者没有回答到题目，仅凭个人理解强答一波。
既然题主提出了这样的问题，证明应该是对XGBoost有一定的了解，XGBoost可以算是GBDT的一种变种，我们都知道，无论是boosting模型是还是bagging模型，都是将成百上千个基模型进行相加，即：
其中 表示第m棵决策树，
为决策树的参数，M为树的个数（即n_estimators参数）。
假设现在是针对某个回归任务，某条数据的y(标签)为5，那么下面两种拟合方案：
- 5 = 0.3 + 0.2 + 0.5 + 0.3 + 0.2 + 0.5 + 0.3 + 0.2 + 0.5 + 0.4 + 0.2 + 0.5 + 0.3 + 0.2 + 0.6
- 5 = 3 + 3
很明显，是不是直觉上会认为第一种方案会更好？因为每个基模型的值更小，就意味著每次向目标label的迈步就更「谨慎」，不容易超出，可以结合梯度下降的思想进行理解（每次对权值w进行更新的时候就会乘以一个学习率，防止「步子迈的太大了」）。所以这就是为什么需要将叶子节点值加入正则项，限制其大小。
同时，我们也应该知道XGBoost中的学习率，即对应的eta参数，也是起著类似的作用将我们每次拟合的步幅进一步缩小，防止过拟合，所以我们也会发现，当减小eta时，会发现我们需要训练更多的基模型进行拟合：
以上，希望对您有帮助。
因为XGB中定义模型的复杂度的公式是
就是你说的叶子节点个数，
就是叶子节点的得分，这里用了L2-norm，类似RidgeRegression，
大模型的复杂度也会提升，相当于这个叶子节点的权重提高了，就也会过拟合
过拟合是？
是指模型结构相对数据复杂，模型学习能力强容易学习到片面统计杂讯。
xgboost模型结构复杂度的惩罚项：
叶子节点权重过大的影响？
当模型的叶子节点权重过大，意味著模型越容易依赖某部分数据特征，
以方差-偏差分解分析，不同数据训练的模型预测结果的分布波动（方差）较大，而缺失足够的泛化能力。即过拟合。
GBDT模型最终输出是多个提升树输出的和，其中某个树的输出过大会导致最终输出方差变大，即过拟合。
论文里面说了，可以尝试其他的正则化方法，只不过L2的正则的效果在实验中是最好的。个人感觉有两个直观想法导致推出这样的正则化，一个是要考虑方便跟前面的泰勒展开进行合并计算，另外一个就是能保证后续的树能有残差学习。ensemble的方法一个大前提就是弱分类器不能够一次性拟合当前的数据，如果当前的数据都已经能被一次性拟合的很好了，那这个分类器对于这个数据就不是弱分类器了。L2正则的好处就是把预测值限定在0附近，因此数据只能被多棵树一点点慢慢的拟合出来，尤其是对于ground truth的方差很大时，此时数据的多样性也很强，少量的树肯定就拟合不了。
因为叶子节点分的越细，就对那个数据集分的越好，但是，就只是针对那个数据集
步子大了，容易走到局部最优点，出不来了。
boosting训练过程中每棵树都要求是弱学习器，避免单棵树过量学习样本信息，取而代之的方法是逐渐增加树的数量，慢慢的减少偏差。如果叶子节点值过大，其实就意味著著这棵树可能拟合的过量了，可以想一想如果是个回归树，叶子节点值越大，是不是残差越小，下一棵树可学习的是不是就越少，而且如果是前面的树拟合多了，后面的树是无法调整的这种过拟合现象，因此会对叶子节点的值进行正则化处理。甚至会添加一个步长参数(类似梯度下降中的步长参数)，减缓学习速度，从而防止过拟合。
推荐阅读：
