对于 XGBoost 二元分类问题，选择 auc/error/logloss 作为 eval_metric 有什么影响？
What is the impact from choosing auc/error/logloss as eval_metric for XGBoost binary classification problems?
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。它如何影响准确率、召回率和精确率？
在不同的评估矩阵之间进行选择不会直接影响性能。 用户可以使用评估矩阵评估他的模型。 accuracy是另一种评价方式，precision-recall也是。另一方面，Objective函数是影响所有这些评估矩阵的因素
例如，如果一个分类器对标签 1 产生的概率为 0.7，对标签 0 产生的概率为 0.3，而另一个分类器对标签 1 产生的概率为 0.9，对标签 0 产生的概率为 0.1，您将得到不同的错误在它们之间，尽管它们都能正确分类标签。
就个人而言，大多数时候，我使用 roc auc 来评估二元分类，如果我想看得更深，我会看混淆矩阵。
处理不平衡数据时，需要知道不平衡的程度是多少，是30% - 70% 还是0.1% - 99.9%？我读过一篇文章，谈到精确召回率如何更好地评估高度不平衡的数据。
更多阅读material:
ROC and precision-recall with imbalanced datasets
评估指标影响模型准确性（或其他不同评估矩阵）的唯一方法是使用 early_stopping。 early_stopping 根据您的评估指标决定何时停止训练额外的助推器。
early_stopping旨在防止过拟合.
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。它如何影响准确率、召回率和精确率？
在不同的评估矩阵之间进行选择不会直接影响性能。 用户可以使用评估矩阵评估他的模型。 accuracy是另一种评价方式，precision-recall也是。另一方面，Objective函数是影响所有这些评估矩阵的因素
例如，如果一个分类器对标签 1 产生的概率为 0.7，对标签 0 产生的概率为 0.3，而另一个分类器对标签 1 产生的概率为 0.9，对标签 0 产生的概率为 0.1，您将得到不同的错误在它们之间，尽管它们都能正确分类标签。
就个人而言，大多数时候，我使用 roc auc 来评估二元分类，如果我想看得更深，我会看混淆矩阵。
处理不平衡数据时，需要知道不平衡的程度是多少，是30% - 70% 还是0.1% - 99.9%？我读过一篇文章，谈到精确召回率如何更好地评估高度不平衡的数据。
更多阅读material:
ROC and precision-recall with imbalanced datasets
评估指标影响模型准确性（或其他不同评估矩阵）的唯一方法是使用 early_stopping。 early_stopping 根据您的评估指标决定何时停止训练额外的助推器。 early_stopping旨在防止过拟合.