我认为它不一定与执行回归的算法类型（此处为 XGBoost）有关 - 但与回归算法的固有性质有关。
许多损失函数旨在减少之间的距离$y$和$\hat{y}$.
这可能导致模型预测分布更加紧密$y$的意思。

我会检查几件事来验证这一点：
1）比较真实的分布$y$并预测$\hat{y}$.
2) 在其他回归模型上验证此错误模式。

我会尝试改善结果的事情：
1）在训练集中对样本低/高y值进行采样。
2）调整损失函数，使低/高y值的错误权重更大。
3）寻找强调低/高y值的特征并更好地设计它们。

也许您可以尝试使用多个 XgBoost 模型而不是 1 个模型，并对它们的预测取平均值（或加权平均值）。