样本不均衡对 ROC、PR 等指标的影响
哪些公司问过
答案要点
- ROC的TPR、FPR各自在类内计算,类别比例变化时曲线基本稳定
- PR的Precision受负样本数量影响,正样本稀少时更敏感也更有区分度
- Accuracy在不均衡下会虚高,应结合Recall、F1、PR-AUC、MCC等看
- 处理手段:重采样、SMOTE、类别加权、Focal Loss、阈值调整
- AUC等价于随机正样本得分高于随机负样本的概率,评估集整体复制样本不改变AUC
易错点
- 说ROC完全不受不均衡影响,它只是在打分分布不变时对比例不敏感
- 把正负比例极低时很高的AUC当成模型实用,应同时看PR-AUC
- 混淆评估集复制样本和训练集过采样对AUC的影响
面试官常见追问
- F1在不均衡数据下有什么问题?
- 训练时过采样会不会让预测概率失真?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。