我必须解决二进制分类问题。 （标签0与标签1之间的火车数据大小之比为4.7：1）因此，我使用xgboost算法创建了模型。结果是相当不错的。-AUC：0.989-精度（0/1）：0.998 / 0.938-召回率（0/1）：0.992 / 0.986-F得分（0/1）：0.995 / 0.962但我想提高标签1（0.938）的精度。因此，我尝试调整xgboost中的参数。特别是，我对调整Scale_pos_weight参数感到好奇。首先，我按照xgboost文档中的建议应用了该值。 （num（负数）/ num（正数）= 4.7）scale_pos_weight=4.7-AUC：0.973-精度（0/1）：0.999 / 0.807-召回率（0/1）：0.971 / 0.994-F得分（0/1）：0.985 / 0.891标签1的精度降低，而调用率提高。与此相反，我应用了4.7的倒数-AUC：0.988-精度（0/1）：0.992 / 0.956-召回率（0/1）：0.995 / 0.937-F得分（0/1）：0.993 / 0.946结果就是我想要的。我不知道为什么会出现这些结果...请解释这种情况。
我必须解决二进制分类问题。 （标签0与标签1之间的火车数据大小之比为4.7：1）因此，我使用xgboost算法创建了模型。结果是相当不错的。 -AUC：0 ....
我有同样的情况。我认为原因是，当scale_pos_weight为4.7（应该是）时，模型具有相同数量的标签0和标签1，因此它认为需要预测相同数量的标签0和标签1。但是它没有成功，因此找到了更多的FP，这就是标签1的精度下降的原因。