# ROC/AUC 与 P-R 曲线

## 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：027-030
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：evaluation, auc, roc

## 面试问题

ROC/AUC 和 P-R 曲线分别适合什么场景？

## 30 秒回答

ROC 看不同阈值下 TPR 与 FPR 的关系，AUC 衡量正样本排在负样本前面的概率。P-R 曲线更关注正类质量，在正负极不均衡时往往更直观。

## 展开要点

- ROC 横轴是假阳性率，纵轴是真阳性率。
- AUC 对分类阈值不敏感，适合排序能力评估。
- P-R 曲线更敏感地反映正类命中质量。
- 业务最终仍要落到阈值、Top K 和成本收益。

## 高频追问

- AUC 高但线上收益低可能是什么原因？
- 样本分布变化对 ROC 和 P-R 有什么影响？
- 如何选择上线阈值？

## 项目映射

- 广告 CTR、风控、召回排序、候选筛选都适合讲 AUC。
- 高风险识别或低频正类更适合强调 P-R。

## AI PM 迁移

LLM 评测中类似“整体排序能力”和“关键正例命中能力”的区别，不能只看一个总分。

## 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。