二分类任务正例占 1%。你训出的模型准确率 99%，但召回率只有 5%。同事提议「把正例复制 10 倍做上采样就行了」。请评价他这种做法的问题，给出你的处理方案，并说明你会用什么指标评估、在什么数据上做重采样。

面试官在考什么

是否知道准确率在极端不平衡下失效、重采样会改变先验并带来泄漏风险，以及重采样/类权重/调阈值各自的适用位置。

类别不平衡

回答框架 · 前两步

1. 准确率被多数类主导：全预测为负例也能拿到 99% 准确率，但召回率为 0；这类任务应看 PR-AUC、召回率、F1 或固定阈值下的 P/R。
2. 简单复制正例会让模型记住少数类的少数几个样本，造成对少数类的过拟合，同时改变先验分布，使输出概率不再校准。

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？