一个二分类场景正类占比 1%（例如欺诈），模型评估得到 ROC-AUC = 0.90，PR-AUC = 0.15。业务要求：在召回不低于 70% 的前提下让人工审核的准确率尽量高。请解释这两个数字放在一起说明什么，你会怎么定阈值，以及你更该优化哪个指标。

面试官在考什么

是否理解 ROC 在极端不平衡下被大量负样本稀释而显得乐观、PR-AUC 的基线随正类比例变化，以及评估指标与阈值决策是两件事。

AUC/PR/ROC

回答框架 · 前两步

1. ROC-AUC 0.90 只说明整体排序能力不差，但 ROC 的横轴 FPR 分母是海量负样本，正类稀少时这个指标偏乐观
2. PR-AUC 的随机基线是正类占比 0.01，0.15 相对基線有增益，但绝对水平说明高分段正类纯度不足

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• 请解释偏差-方差权衡。如果一个模型训练误差很低、测试误差很高，你会怎么处理？
• L1 和 L2 正则的区别是什么？为什么 L1 能产生稀疏解？从几何角度解释一下。
• 样本极度不平衡（正样本 1%）时，你会怎么评估和建模？为什么不能只看准确率？
• 交叉验证有哪些方式？时间序列数据为什么不能用随机 K 折？你实际项目里怎么切？
• 你的模型预测概率偏高或偏低（校准差），怎么发现、怎么修？为什么 AUC 高不代表概率准？
• 线上服务要你对一个模型做上线前的效果预估，但没法直接做 A/B，你会怎么估？有多大把握？