Lectura del código fuente de DeepLearning xgboost

Para el problema de clasificación, por supuesto, tiene que convertirse a OHE, y luego out_dimsse realiza el ajuste para cada

$$\frac{1}{2}\frac{{GRAMO}_L^2}{H_L+\lambda }+\frac{1}{2}\frac{{GRAMO}_R^2}{H_R+\lambda }-\frac{1}{2}\frac{{\left(G_L+{GRAMO}_R\right)}^2}{H_L+H_R+\lambda }-C$$

XGBoostRegressionTreeHeredado DecisionTree, buenos chicos, no reescriban la función. De una manera tan oscura, me sorprendió durante unos minutos entender. Tal vez el autor quiera que entendamos a través del nombre de la función

class SquareLoss(Loss):
    
    def __init__(self): 
        pass

    def loss(self, y, y_pred):
        pass

    def grad(self, y, y_pred):
        return -(y - y_pred)
    
    def hess(self, y, y_pred):
        return 1

class CrossEntropyLoss(Loss):
    
    def __init__(self): 
        pass

    def loss(self, y, y_pred):
        pass

    def grad(self, y, y_pred):
        return - (y - y_pred)  
    
    def hess(self, y, y_pred):
        return y_pred * (1-y_pred)