Может ли какая-нибудь из трех моделей, boosting, random forest и линейная регрессия, сделать предсказание отрицательного значения, если в таргете регрессии нет отрицательных значений

Да, все три модели могут предсказать отрицательное значение, даже если в обучающих данных таких значений нет.

• Линейная регрессия — легко выходит за границы обучающих данных, так как это линейная комбинация признаков.
• Random Forest — усредняет предсказания деревьев, и если некоторые комбинации признаков дают экстремальные значения, итоговый прогноз может быть отрицательным.
• Boosting (например, XGBoost, LightGBM) — тоже может экстраполировать за пределы обучающего диапазона, особенно если в данных есть шум или выбросы.

Пример с линейной регрессией:

from sklearn.linear_model import LinearRegression
import numpy as np

X = np.array([1, 2, 3]).reshape(-1, 1)
y = np.array([1, 2, 3])  # Только положительные значения
model = LinearRegression().fit(X, y)
print(model.predict([[0]]))  # Может выдать отрицательное значение

Чтобы избежать этого, можно использовать ограниченные модели (например, PoissonRegressor для count-данных) или трансформировать таргет (логарифмирование).