二分类任务，正例只占 1%。你的模型 ROC-AUC = 0.92，PR-AUC（平均精度）= 0.35。同事看到 0.92 就说「模型很不错，可以直接上」。请你解释这两个数为什么差这么多、这个模型到底算不算好、以及你会拿哪个指标做决策。

面试官在考什么

是否理解 ROC 的 FPR 会被大量负例稀释、PR 直接关注正例，并知道指标选择要匹配业务代价，而不是只看哪个数大。

AUC/PR/ROC

回答框架 · 前两步

1. ROC 横轴 FPR = FP/N、纵轴 TPR = TP/P；负例极多时 FPR 的分母非常大，少量假正例引起的 FPR 变化被稀释，曲线看起来仍然很好。
2. PR 曲线横轴 recall、纵轴 precision，precision 的分母是 TP+FP，直接受假正例影响，在正例占比 1% 时对错误非常敏感，所以两个指标会明显分化。

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？