您的问题中缺少一些重要信息，即标准参数是什么以及您使用哪种逻辑回归。

使用时sklearn.linear_model.LogisticRegression，您将在文档中看到第一个超参数是penalty默认为l2. 这意味着默认情况下使用参数的“收缩”。通过使用正则化，对预测某些结果不是很有帮助的特征被“缩小”。这正是当您拥有“高维”数据（很多特征而没有那么多观察结果）时您会做的事情。

基于树的增强模型在高维设置中本身并不是“坏”的。然而，为了获得良好的性能，可能需要引入列子采样和可能的行子采样（“随机梯度提升”）以及“足够的”提升轮次（可能具有低学习率）。这样做的原因是您希望尽可能多地显示提升算法的信息，同时避免少数“强大”功能​​占主导地位。由于在每个增强轮中只生长“浅”树（通常是 5-8 个拆分），因此如果您不在每个增强轮中随机抽样列（特征），则很少有“强大”的特征将占主导地位。因此，当少数强大的功能占主导地位时，可能无法了解重要的细节。

您可以检查两个模型的特征重要性，看看是否存在很大差异。