欺诈检测场景，正样本约 0.5%（1 万条），负样本 200 万条。你打算用下采样把正负比调到 1:10 来训练。请说明：下采样后模型输出的概率还能不能当作真实发生概率用？如果业务规定每天只能人工审核 200 单，你怎么确定线上使用的阈值？

面试官在考什么

是否理解重采样会改变先验从而破坏概率含义，能否区分概率校准与阈值决策，并能从业务预算反推阈值而不是拍 0.5。

类别不平衡

回答框架 · 前两步

1. 下采样改变了训练时的正类先验，输出概率被系统性抬高，不能直接当真实发生概率，需要先验修正或在独立校准集上重新校准
2. 业务给的是审核产能（每天 200 单），所以阈值应该按分数倒排取 Top-200 的分位点，而不是固定 0.5

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？