# 准确率的局限性

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 2 章 模型评估
- 页码线索：022
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：evaluation, metrics, imbalance

## 面试问题

为什么准确率高不一定说明模型好？

## 30 秒回答

类别不均衡时，模型只预测多数类也能得到高准确率。评估要结合业务目标看 precision、recall、F1、AUC、分群指标和线上收益。

## 展开要点

- 准确率容易被多数类支配。
- 广告、风控、医疗、搜索等场景通常更关心某一类的识别质量。
- 需要检查训练集、测试集和线上流量分布是否一致。
- 指标选择错误会导致模型离线好看、线上无用。

## 高频追问

- 正负样本极不均衡时怎么评估？
- 准确率、召回率、AUC 分别适合什么场景？
- 如何向业务方解释指标变化？

## 项目映射

- 奢侈品广告定向、欺诈识别、投诉预警都是典型不均衡任务。
- 准备一个准确率高但业务失败的例子。

## AI PM 迁移

LLM eval 也一样：总体满意度不够，要看关键任务、长尾失败和高风险场景。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。