一个风控模型对某批样本输出预测概率 0.8，但在这批「被预测为 0.8」的样本里，实际只有 55% 是正例。请说明这是什么问题、你用什么方法能看出来并量化它、以及常用的修正手段。

面试官在考什么

是否能把「排序能力」和「概率是否可信」区分开，知道校准曲线/校准误差这类诊断工具和至少一种修正方法。

模型校准

回答框架 · 前两步

1. 这是概率校准问题：预测概率与真实正例频率不一致，模型系统性高估。
2. 诊断方法：画可靠性图/校准曲线，把预测概率分箱，比较每箱的平均预测概率与实际正例率；量化可用 ECE 或 Brier score。

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？