我正在尝试在具有不平衡类（1% 的 1 和 99% 的零）的分类数据上实现 xgboost。
我使用binary:logistic作为分类的目标函数。
根据我在xgboost 上的知识 - 随着 boosting 开始构建树，目标函数被迭代优化，最终在所有树组合时达到最佳性能。
在我的数据中，由于类不平衡，我面临Accuracy Paradox 的问题。在模型结束时，我能够达到出色的 accuracy 但 差 precision 和 recall
我想要一个自定义目标函数，它可以优化模型并返回具有最佳 f-score 的最终 xgboost 模型。或者我可以使用任何其他可以返回最佳f-score 的目标函数吗？
其中F-Score = (2 * Precision * Recall)/(Precision + Recall)
【问题讨论】：
我不是这方面的专家，但我认为这个评估指标应该可以胜任：
f1score_eval <- function(preds, dtrain) {
labels <- getinfo(dtrain, "label")
e_TP <- sum( (labels==1) & (preds >= 0.5) )
e_FP <- sum( (labels==0) & (preds >= 0.5) )
e_FN <- sum( (labels==1) & (preds < 0.5) )
e_TN <- sum( (labels==0) & (preds < 0.5) )
e_precision <- e_TP / (e_TP+e_FP)
e_recall <- e_TP / (e_TP+e_FN)
e_f1 <- 2*(e_precision*e_recall)/(e_precision+e_recall)
return(list(metric = "f1-score", value = e_f1))
}
参考资料：
【讨论】：