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

在不同的评估矩阵之间进行选择不会直接影响性能。评估矩阵是那里的用户来评价他的模型。准确度是另一种评估方法，precision-recall也是如此。另一方面，目标函数 会影响所有这些评估矩阵

例如，如果一个分类器的标签1的概率为0.7，标签0的概率为0.3，而另一个分类器的标签1的概率为0.9，而标签0的概率为0.1，则两者之间的误差将不同。他们将正确分类标签。

就个人而言，大多数时候，我使用roc auc评估二进制分类，如果我想更深入地研究，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。

这里有一些更多的阅读材料：

处理高度不平衡的等级以及为什么不应该使用接收器工作特性曲线（ROC曲线），并且在高度不平衡的情况下应首选“精确度/召回率”曲线

具有不平衡数据集的ROC和精确召回

评估指标可以影响模型准确性（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。