正确答案是 D: XGBoost。

专业分析：
1. **线性回归 (Linear Regression)** 和 **逻辑回归 (Logistic Regression)** 都是相对简单的模型，它们的可解释性较高。线性回归通过线性方程来描述变量之间的关系，而逻辑回归虽然用于分类任务，但其决策边界也是线性的，且模型参数的影响可以直接解释。

2. **回归树 (Regression Tree)** 是一种决策树模型，它通过一系列的决策规则来进行预测。虽然决策树的结构相对复杂，但每个决策路径是明确的，容易被人类理解，因此其可解释性也较好。

3. **XGBoost (Extreme Gradient Boosting)** 是一种集成学习方法，它基于梯度提升决策树 (Gradient Boosted Decision Trees, GBDT)，通过结合多个决策树来提高预测性能。由于XGBoost模型会构建大量的树，并且每棵树的贡献是基于之前模型的误差进行调整的，这使得整体模型变得非常复杂和难以解释。因此，XGBoost的可解释性最差。

总结来说，XGBoost由于其复杂的集成学习结构，使得其可解释性较差。因此，选项D: XGBoost是正确答案。