Да, случайный лес может предсказать отрицательное значение, даже если все целевые переменные положительные. Это происходит из-за агрегирования предсказаний деревьев (усреднение или голосование).

Пример:

from sklearn.ensemble import RandomForestRegressor
import numpy as np

X = np.array([[1], [2], [3]])
y = np.array([1, 2, 3]) # Все y > 0

model = RandomForestRegressor(n_estimators=10, random_state=42)
model.fit(X, y)

Предсказание для нового значения

pred = model.predict([[4]]) # Может быть <0 из-за шума или экстраполяции
print(pred)

**Причины:**  
1. **Экстраполяция** – лес плохо предсказывает за пределами обучающих данных.  
2. **Шум в данных** – деревья могут переобучиться и давать выбросы.  
3. **Бутстрэппинг** – некоторые подвыборки могут содержать аномалии.  

**Решение:** ограничить предсказания (например, `max(0, prediction)`).