对于不平衡的二分类问题，auc很高，应该怎么解释呢

测试集太简单？

换P，R，F1？

ROC/AUC不随着数据正负样本分布的变化而变化，auc很高不能保证你的PRC也很好看，对于不平衡数据集仅仅考虑AUC会有失偏颇。

balanced error rate

不平衡二类数据集不是一般都用AUC做指标么，AUC不随数据集的样本分布改变，你的指标很高，不是说明效果挺好的么？？？你用ks值试试，

100道判断题，答案97道选√，3道选×。一位学渣全蒙√，正确率97%。AUC确实挺好看。 对于数据不均衡问题，要看你是否关注长尾数据（3道选×的题）： 若关注长尾问题（3道选×的题每道20分），则即使AUC很高这也不是一个好模型； 若不关注长尾问题（3道选×的题每道1分），则模型的学习过程大概率当这些长尾数据为噪声了（全局角度来看全预测为√符合损失优化）； 因此对于数据不均衡分类问题，建议采用采样、自定义目标函数、生成模型生产样本等方法； 指标方面可以是用召回率等方法提高长尾样本的关注度；