我正在使用 XGBoost 进行支付欺诈检测。目标是二分类，数据很不平衡。每 3-4k 笔交易中就有一笔是欺诈。
我希望评估结果的最佳方法是精确召回 (PR) 曲线，而不是 ROC 曲线，因为数据是如此不平衡。
但是在 eval_metric 选项中，我只看到 ROC 曲线 (AUC) 下的区域，并且没有 PR 选项。 https://github.com/dmlc/xgboost/blob/master/doc/parameter.md
文档还推荐 AUC http://xgboost.readthedocs.io/en/latest/how_to/param_tuning.html
不使用 Precision-Recall (PR) 曲线是否有意义？
差不多两年后，我正在回答我自己的问题。XGBoost 现在有一个新的评估指标 aucpr。
https://xgboost.readthedocs.io/en/latest/parameter.html#learning-task-parameters
大卫，您可以使用平均平均精度（'map'）甚至更好的 logloss（'logloss'）。是的，对于不平衡的数据，精确度和召回率非常重要。我建议在使用您选择的任何 eval_metric 进行优化后单独检查这些指标。此外，还有一个名为 scale_pos_weight 的参数，它有助于告诉模型您的数据分布。我发现这可以极大地提高“罕见事件”案例的性能。以下降价文档包含所有参数及其选项的列表。https://github.com/dmlc/xgboost/blob/master/doc/parameter.md