类别极不平衡时怎样训练和评估逻辑回归？
简化版
极不平衡时准确率失真，训练可用类权重、欠采样或难例采样，评价应看 PR-AUC、召回、精确率与成本；最终阈值由业务容量和误判代价决定。
回答时应把“先验稀少条件下的训练、评价与阈值设计”讲清，再说明如何验证和落地；关键边界是：ROC-AUC 在极不平衡下可能显得乐观；过采样后的 0.5 预测概率不能直接当真实发生率。
详细版
极不平衡分类要把排序、概率和动作分开评估。ROC-AUC 可能在大量真负例下显得乐观，应同时看 PR 曲线、Top-K Precision/Recall、校准以及自然正例率；最终阈值由误判成本和审核容量决定。
欠采样节省计算但丢失负类信息，过采样和类权重会改变训练先验，输出概率需回到原分布校正。难例挖掘有价值，却要防止把错标当难例；每个切片分数都应附样本数与置信区间。
完整版教学
一、问题本质与使用动机
极不平衡问题必须拆成三个层面：模型能否排序、分数能否解释成自然概率，以及有限业务容量下如何采取动作。
自然先验影响概率截距，采样和类权重改变训练目标。排序、概率估计和最终动作是三个层次，应分别评估。
欠采样降低成本但丢失负类信息，过采样易重复噪声，class weight 简单但需校准。难例挖掘必须防止采到标注错误。
二、机制与数学表达
只按类别改变采样率时，可用先验 odds 比例理解概率修正：
odds_true = odds_sampled * (π_true/(1-π_true)) / (π_sample/(1-π_sample))该修正要求类内采样不依赖特征；否则不能只改一个截距。
三、带数字的推演
正类占 0.5% 时，全预测负类也有 99.5% 准确率，却没有任何正类召回。若每天只能审核 500 条，更相关的是 top-500 precision、覆盖的正类比例和每个命中的净收益。
评估应组合 PR 曲线、目标阈值混淆矩阵、Top-K 指标、概率校准和分群召回；报告 precision 时必须附自然正例率。正例很少时，还要用符合数据分组结构的 bootstrap 给出区间。
四、从数据到上线的执行流程
从训练到上线可使用下面的链路：
自然分布基线 → 加权/采样训练 → 概率校正 → 容量与成本选阈值 → 漂移监控验证集和测试集应保留目标自然先验，训练采样率必须单独记录；必要时先校正概率，再按成本矩阵、审核容量或 Top-K 规则选择动作点。
线上需监控告警量、审核容量、命中率、漏报成本与标签延迟。正例率变化会直接改变 precision 和最优动作点，即使条件排序能力没有明显下降。
五、方案对比与选择边界
| 目标 | 主指标 | 常用动作 |
|---|---|---|
| 排序能力 | PR-AUC/Top-K Recall | 类权重或采样 |
| 概率质量 | Log Loss/可靠性图 | 原分布重校准 |
| 业务决策 | 成本/容量收益 | 选择阈值或 Top-K |
排序、校准和决策各有不同指标，单个 AUC 无法替代整条业务验收链。
六、采样校正与可信评估
若只按类别做 case-control 采样且类内采样与特征无关，可以用训练先验和自然先验修正 odds；若采样概率还依赖特征、时间或难度，单一截距修正通常不够，应保留样本纳入概率并使用重要性权重或独立校准集。验证集与测试集必须保持目标自然分布，否则 precision、校准和业务触发量都会失真。
PR-AUC 的基线等于正例率，因此跨时间或跨数据集比较时必须同时报告 prevalence。ROC-AUC 衡量随机正例排在随机负例前的概率，并非数学上“因负例多而自动变高”，但在稀有事件场景可能掩盖运营所关心的低误报区域，所以要补充 partial ROC、PR、Top-K 与成本曲线。
极少正例时点估计波动很大；应按用户或时间正确重采样给区间，并报告每个切片的正例数，而不是只给三位小数。
七、常见误区与追问
- 误区：99.5% accuracy 说明模型很好。 正例率 0.5% 时全负预测就有该准确率，却没有任何召回。
- 误区：ROC-AUC 在不平衡数据上一定无效。 它仍有明确排序含义，只是可能不匹配低误报和容量约束下的业务目标。
- 追问：过采样会改变逻辑回归什么？ 它改变训练先验与损失贡献，截距和概率解释需要修正，正则下斜率也可能变化。
- 追问：PR-AUC 为什么要附正例率？ 随机排序的期望 precision 由 prevalence 决定，基线不同不能直接横比。
- 追问：阈值如何选？ 在自然验证分布上按误判成本、处理容量或约束指标选，并在时间外测试集确认。
- 追问：线上监控哪些量？ 自然正例率、告警量、Top-K 命中、分群召回、概率桶发生率和标签延迟都要记录。
八、加强记忆
不平衡问题拆成三层：模型先排好序，校准器恢复自然概率，策略层按成本或容量取 Top-K。任何 Precision 都要附正例率，任何重采样概率都不能未经校正直接上线。