对于XGBoost二进制分类问题，选择auc / error / logloss作为eval_metric有什么影响？

Question

选择auc，error或logloss作为XGBoost的eval_metric如何影响其性能？假设数据不平衡。它如何影响准确性，召回率和准确性？

Answer 1

在不同评估矩阵之间进行选择不会不会直接影响性能。 用户可以使用评估矩阵来评估他的模型。 accuracy 是另一种评估方法， precision-recall 也是如此。另一方面，目标函数 是会影响所有这些评估矩阵

例如，如果一个分类器对标签1的概率为0.7，对标签0的概率为0.3，而另一个分类器对标签1的概率为0.9，对标签0的概率为0.1，则它们之间的误差将不同。 ，尽管它们都会正确分类标签。

大多数情况下，我个人使用roc auc评估二进制分类，如果我想更深入地研究一下，我会看一看混淆矩阵。

在处理不平衡数据时，需要知道多少不平衡，是30％-70％的比率还是0.1％-99.9％的比率？我读过一篇文章，内容涉及精度召回如何更好地评估高度不平衡的数据。

还有更多阅读材料：

Handling highly imbalance classes and why Receiver Operating Characteristics Curve (ROC Curve) should not be used, and Precision/Recall curve should be preferred in highly imbalanced situations

ROC and precision-recall with imbalanced datasets

使用 early_stopping 时，评估指标唯一可影响模型准确性（或其他评估矩阵）的方法。 early_stopping 根据您的评估指标来决定何时停止训练额外的助推器。 early_stopping 旨在防止过度拟合。