模型训练的auc和loss比较问题

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