AUC 反应的是正样本在负样本前面的概率问题,AUC越大,说明正样本更靠前。
LOSS 反应的是真实值与预测值之前的差值,就是损失,LOSS越小,说明预测值越接近于真实值。在二分类问题中,LOSS越小,说明预测的样本预测值两极占比高(负样本更接近0,正样本更接近1)
例如:两个模型A B,一个auc高一些,但log也大一些。另一个auc低,但log也低。
A模型AUC高,说明它在判断哪个更好的方面,有着更好的表现,但是可能它比较“保守”,预估分都接近于正负样本的比例值(比如ctr=0.1,则预估分接近0.1)
B模型Logloss表现好,说明B模型可能比较“大胆”,对于正样本的预估更接近1,负样本预估更接近0,但是在区分谁好谁坏的相对值上,性能差于A
所以我们需要根据我们的场景来理解这俩模型,并根据具体问题作出选择