对于二元分类问题，我有一个稍微不平衡的数据集，正负比为0.6。 我最近从这个答案中了解了auc指标：https://stats.stackexchange.com/a/132832/128229，并决定使用它。
但是我发现另一个链接http://fastml.com/what-you-wanted-to-know-about-auc/声称，AUC-ROC对类不平衡不敏感，我们应该使用AUC作为精确回忆曲线。
xgboost文档不清楚他们使用哪种AUC，他们是否使用AUC-ROC？ 该链接还提到，只有在您不关心概率并且只关心排名的情况下才应该使用AUC。
然而，由于我使用二元：逻辑目标，我认为我应该关心概率，因为我必须为我的预测设置一个阈值。
xgboost参数调整指南https://github.com/dmlc/xgboost/blob/master/doc/how_to/param_tuning.md 还提出了另一种处理类不平衡的方法，即不平衡正负样本并使用max_delta_step = 1.
有人可以解释，AUC何时优先于xgboost处理类不平衡的另一种方法。如果我使用AUC，我需要为预测设置的阈值是多少，或者更一般地说我应该如何使用AUC来处理xgboost中的不平衡二进制分类问题？
修改
我还需要消除假阳性而不是假阴性，除了简单地改变阈值之外，我怎么能实现这一点，用二元：逻辑目标？
答案 0 :(得分：0)
根据here中的xgboost参数部分，有auc和aucpr，其中pr代表精确召回。
我想说，您可以通过运行两种方法并了解指标的行为来建立一些直觉。您可以包含多个指标，甚至可以根据自己的喜好进行优化。
您还可以通过创建自定义指标，在每个提升回合中监控误报率。
答案 1 :(得分：0)
XGboost 选择写 AUC（ROC 曲线下的面积），但有些人更喜欢写得更明确，比如 AUC-ROC / ROC-AUC。