这是一个问题吗？

一点都不。

当应用于 DS2 时，该模型是否会重现来自 DS1 的训练目标分布？

不，不一定。如果

1. 平衡集 DS1 很好地代表了不平衡（目标）集 DS2，并且
2. 类分离良好（@BenReiniger 指出），这在更高维度上更容易，

然后模型将生成比例接近不平衡 DS2 而不是平衡 DS1 的标签。这是一个视觉示例（由我自己绘制）：

如您所见，在良好的训练集中，预测类似于现实世界的比率，即使模型是在平衡集上训练的，当然，如果分类器在找到决策边界方面做得很好。

对于预测，GradientBoostingClassifier 只会考虑您在训练期间提供给它的那些特征，然后它会自行对每个观察结果进行分类。这意味着通常您不必担心预测数据集的目标分布，只要您在足够广泛的训练数据集上训练模型即可。

GBM 最终会尝试将您的数据分成矩形区域，并为每个区域分配一个恒定的预测概率，即该区域中正训练示例的比例。所以，是的，总的来说，模型已经融入了训练样本的平均响应率。

我认为如果您的数据特别清晰可分离，这​​种影响会减弱：如果每个矩形区域都是纯的，而您的测试数据恰好更倾向于负区域，那么它自然会更接近“正确”的答案.

我不确定其他模型是否会以这种方式更健壮......可能是 SVM，而不是首先自然概率。

如果你的上下文是下采样，逻辑回归对这个问题有一个众所周知的调整。相同的调整（对数赔率）似乎也可能在 GBM 环境中有所帮助，尽管我不知道有任何分析可以支持它。