信用违约模型离线 AUC 0.81，但预测违约概率均值 12%，实际违约率 5%。业务要用 PD 做定价：期望损失 = PD × LGD × EAD。样本 20 万，正样本 1 万。团队三派：只做排序+人工分箱映射、Platt scaling、isotonic regression。你怎么选型并上线？如果线上校准漂移了怎么发现和处理？

面试官在考什么

判断候选人是否理解排序与概率校准的区别，并能在定价场景下做方法取舍和线上监控。

模型校准

回答框架 · 前两步

1. AUC 只衡量排序，不保证概率准确；定价场景必须做校准，先画 reliability diagram、算 Brier score 诊断偏差。
2. Platt scaling 参数少、对正样本量要求低，1 万正样本下更稳；isotonic 非参、灵活但易过拟合，需交叉验证、分段平滑或正则，并检查单调性。

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？