欺诈检测正样本率 0.2%。模型 A：AUC 0.92，PR-AUC 0.35；模型 B：AUC 0.89，PR-AUC 0.42。业务方只看 AUC 想选 A。业务实际约束是人工审核每天最多 5000 条，且要求召回 60% 时精确率尽量高。你作为负责人，怎么解释指标差异并做选型？阈值怎么定？

面试官在考什么

判断候选人能否在极不平衡业务中区分排序指标与业务指标，并用业务约束做决策。

AUC/PR/ROC

回答框架 · 前两步

1. 极不平衡时 ROC 的 FPR 分母是海量负样本，少量误报被稀释，AUC 高不代表业务可用。
2. PR 的 precision 对应审核命中率，recall 对应覆盖率，更贴近固定审核预算的场景；PR-AUC 随机基线是正样本率 0.2%，不能与 AUC 直接比大小。

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？