第一个（也是最简单的）选项是确保您的模型在 probabilites 中进行了校准。在 Python 中，这意味着您应该在拟合方法中传递选项 binary:logistic。

另一种方法是将模型的输出转换为概率。有不同的方法。

这可以通过某种回归技术来找到概率与输出之间的关系来实现。Python 的等渗回归应该适用于此目的。但是，如果没有关于您的分数分布的更多信息，它可能无法正常工作。

这也可以通过platt scaling实现：将输出转换为具有阈值的二进制预测（0 和 1），然后对这些新变量校准逻辑回归。这相对容易做到，但根据我的经验，它不一定能很好地解决非线性关系的不平衡问题。

最后，有一些方法可以根据您的模型纠正输出。对于逻辑回归，这意味着更改您的偏差变量，以使总体预测比例与您的数据集相匹配。这也可以用来对抗罕见事件的影响（见此）。我发现这对逻辑回归很有效。但是，我不确定它是否直接适用于 XGBoost，但值得一试。