在预测错误的后果不等价的情况下，您通常仍然有兴趣训练模型以根据数据集进行准确预测，并且不会更改监督学习中的目标函数。

通常，当 FP 和 FN 的后果不同时，您会：

• 使用模型给出的预测的置信度。在 XGBoost 中，即objective: "binary:logistic"

• 使用ROC 下的面积作为确定最佳调整模型的基本指标（这是eval_metric: "auc"用于 XGBoost）。该指标衡量您的类排序的好坏 - 值越高，稍后调整置信水平就越容易和更有效。

• 确定成本 FP 和 FN 的权重 - 这完全取决于您，您说 FP 比 FN 差，但为了做出最佳决策，您必须将其转化为数字陈述。如果您可以为每种错误分配一个企业的相对财务成本，那么这将是一个好的开始。

• 使用最佳调整模型，在分配您希望以某种方式采取行动的正面类别之前，使用权重计算不同类别置信度截止值的成本。针对测试集进行预测以获得类概率。然后对正类使用不同的截止点，计算您的 FP 和 FN 给定的截止值，然后将总数乘以您稍后选择的成本。得分最低的截止点应该是在生产中使用的截止点。如果 FP 的成本高于 FN，那么您可能会发现需要 > 0.5 的置信水平。

您还可以研究考虑动作后果的机器学习方法 - 例如强化学习 - 以便在单个学习框架内获得类似的结果。但是，这不是您可以仅在 XGBoost 中完成的事情，只要您的问题在单步预测中保持 FP 和 FN 之间的平衡，那么上述方法应该是可以的。

根据此页面对做什么objective和eval_metric做什么的描述，我认为这些都不完全正确。

在这种情况下，我会尝试使用 scale_pos_weights 。转到此链接并按 Ctrl+F 获取“scale_pos_weights”。