另外三种都可以给出统计上的解释或检验

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)**：
- 这两种算法的模型形式相对简单，通常是线性函数，容易理解和解释。线性回归用于回归任务，逻辑回归用于分类任务。它们的系数直接反映了各个特征对最终预测结果的影响，因此可解释性较高。

2. **回归树 (Regression Tree)**：
- 回归树通过一系列的决策节点将数据划分成不同的区域，其结构类似于决策树。虽然比线性模型稍微复杂一些，但每个决策节点的分裂规则仍然是明确的，容易追溯和解释。

3. **XGBoost**：
- XGBoost是一种集成学习方法，属于梯度提升决策树（Gradient Boosting Decision Tree）的实现。它通过构建多个弱学习器（通常是决策树）并进行加权组合来提升模型性能。由于涉及多个树的组合，模型结构复杂，难以直观理解每个特征对最终预测的具体贡献，因此可解释性最差。

综上所述，XGBoost的可解释性最差，因为它的模型结构复杂，难以直观理解和解释。