xgboost正确使用auc指标

对于二进制分类问题，我的数据集略有不平衡，正负比为0.6。我最近从以下答案中了解了auc指标：https ://stats.stackexchange.com/a/132832/128229 ，并决定使用它。

但是我碰到了另一个链接http://fastml.com/what-you-wanted-to-know-about-auc/，该链接声称AUC-ROC对类不平衡不敏感，我们应该使用AUC来提高精度召回曲线。

xgboost文档尚不清楚他们使用哪个AUC，是否使用AUC-ROC？此外，该链接还提到，仅当您不关心概率而仅关心排名时，才应使用AUC。

但是，由于我使用的是binary：logistic目标，因此我认为我应该关注概率，因为我必须为预测设置阈值。

xgboost参数调整指南https://github.com/dmlc/xgboost/blob/master/doc/how_to/param_tuning.md 还建议了一种通过不平衡正样本和负样本并使用max_delta_step = 1处理类不平衡的替代方法。 。

因此有人可以解释，什么时候AUC优先于xgboost处理类不平衡的另一种方法。如果我使用的是AUC，我需要为预测设置的阈值是多少？或更笼统地说，我应该如何使用AUC来精确处理xgboost中的不平衡二进制分类问题？

编辑：

我还需要消除误报，而不是消除误报，除了binary：logistic目标之外，如何简单地改变阈值，我如何才能做到这一点？