XGBoost是一种基于决策树的集成学习算法，在分类问题中通常被用来预测二元或多元分类结果。与传统的决策树相比，XGBoost具有更优秀的准确性和效率。

然而，在使用XGBoost进行分类时，其输出通常不是类别概率，而是对每个类别的预测分数或得分。这与其他分类算法（如逻辑回归）不同，因为它们输出的是每个类别的概率。

这种差异主要是由于XGBoost算法的工作原理所决定的。XGBoost通过构建多个决策树来进行分类，每个决策树都会给出一个预测分数。最终的分类结果是所有决策树的预测分数的加权平均值，而不是每个类别的概率。

另外，XGBoost还具有一些特殊的技巧，例如增强正则化和智能分裂点选择等，这些技巧可使模型更加准确和稳健。这些技巧也导致了模型输出预测分数而不是类别概率。

虽然XGBoost输出的是预测分数而不是类别概率，但在实际应用中，可以将预测分数转化为类别概率。这可以通过将预测分数作为输入，然后使用Sigmoid函数（对于二元分类问题）或softmax函数（对于多元分类问题）来转换。这些函数将预测分数映射到概率空间中的值。

总之，XGBoost是一种强大而有效的分类算法，通常输出预测分数而不是类别概率，由于其特殊的技巧，如增强正则化和智能分裂点选择等。但是，预测分数可以很容易地转换为类别概率，从而使其与其他分类算法具有可比性。