精确率、召回率、F1、AUC 怎么算？样本极度不均衡时该看哪个指标？

一句话速记：Precision 衡量查准率，Recall 衡量查全率，F1 是二者调和平均；ROC-AUC 的统计含义为随机抽取一对正负样本时正样本得分高于负样本的概率。在样本极不均衡场景（如风控、CTR）下，过大的 TN 会导致 ROC-AUC 偏高且区分度下降，通常建议结合 PR-AUC（或 AP）以及业务约束下的 Precision@Recall 进行评估。

评估指标

同章节的其他八股

• ReLU、GELU、SwiGLU 有什么区别？大模型为什么偏爱门控激活？
• BatchNorm 和 LayerNorm 的区别？为什么 NLP 用 LayerNorm？
• Adam 和 AdamW 的区别？
• Warmup 的作用是什么？
• 梯度消失和梯度爆炸怎么解决？
• L1 和 L2 正则化有什么区别？
• 交叉熵损失怎么推导？二分类为什么不用 MSE？
• 训练中 loss 出现 NaN 怎么排查？
• 梯度累积的原理是什么？
• 余弦相似度、点积、欧氏距离有什么关系？
• KMeans 的流程、缺点和改进？
• Xavier 初始化和 Kaiming 初始化有什么区别？大模型怎么初始化？