正样本率 0.5%（约 200:1）的二分类场景。模型 A：ROC-AUC 0.92、PR-AUC 0.31；模型 B：ROC-AUC 0.88、PR-AUC 0.42。线上固定取分数 top 1% 做人工审核，实测 A 的 precision 0.35、B 的 precision 0.48。业务方只看 ROC-AUC，坚持选 A。请解释为什么会出现 ROC-AUC 高但 top 1% 精度低，说明你选哪个模型，以及还要补什么指标。
面试官在考什么
能否解释 ROC 在极端不平衡 + top-K 决策下被负样本稀释的机制，并把评估指标与业务决策口径对齐。
回答框架 · 前两步
- 负样本极多时 FPR 的分母巨大，假阳性绝对数量增加只让 FPR 轻微上升，ROC 曲线几乎不动，因此 ROC-AUC 对正类排序质量不敏感。
- PR 曲线的 precision 分母是预测为正的样本，直接受正类影响；在 200:1 下更贴近 top-K 的真实体验。
还有 3 条答案要点、 3 层追问、 5 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页