真实面经题目 · 原创解析

如何用 XGBoost 处理不平衡分类问题？

用 XGBoost 处理不平衡分类，要同时调整训练目标、样本权重、采样策略、评估指标和阈值。面试回答不能只说调 `scale_pos_weight`，还要说明为什么 accuracy 不可靠，以及如何用 PR-AUC、Recall、F1 和业务成本验证。

出现于：滴滴 · 算法
XGBoost 样本不平衡 模型评估
01

60 秒回答模板

我会先确认不平衡程度和误判成本，然后从五个方面处理：第一，设置 `scale_pos_weight` 或样本权重，让少数类错误在损失里更重要；第二，做过采样、欠采样或分层采样，但要防止过拟合和信息泄漏；第三，选择更合适的指标，比如 PR-AUC、Recall、F1、混淆矩阵和业务收益；第四，训练后调整分类阈值，而不是固定 0.5；第五，做分桶和交叉验证，检查模型是否只在多数类上表现好。

考点 先看业务代价
难度 算法岗真实面经题
回答目标 讲清方法、取舍和追问
02

深入解析

01

先判断目标和成本

不平衡分类的处理方式取决于正负样本比例和业务代价。欺诈、风控、召回等场景中漏判和误判成本不同，指标选择和阈值策略不能只按整体准确率来定。

02

调整损失权重

XGBoost 可以用 `scale_pos_weight` 或样本权重提高少数类的重要性，让模型在分裂和叶子权重计算时更关注少数类错误。常见初始值是负样本数除以正样本数，再通过验证集调优。

03

采样和数据处理

可以对少数类过采样、对多数类欠采样，或使用分层采样保持验证集分布稳定。采样只能在训练集内部做，不能把验证集或未来数据的信息带入训练过程。

04

指标和阈值

不平衡场景下 accuracy 容易虚高。更应关注 PR-AUC、Recall、Precision、F1、ROC-AUC、混淆矩阵和业务成本曲线。模型输出概率后，还需要按业务目标选择阈值。

05

验证泛化能力

少数类样本通常更少、更噪，需要交叉验证、时间切分和分桶分析。还要观察特征漂移、概率校准和不同人群下的召回，避免模型只记住少数类训练样本。

03

易错点

  • 不要只说 `scale_pos_weight`，还要讲指标、阈值和验证方式。
  • 不要在全量数据上采样后再切验证集，这会引入信息泄漏。
  • 不要用 accuracy 判断效果，少数类可能完全没有被识别。
  • 不要固定 0.5 阈值，业务成本不同，最优阈值通常不同。
04

面试官追问

`scale_pos_weight` 一般怎么设置？

可以用负样本数除以正样本数作为初始值，再在验证集上结合 PR-AUC、Recall、Precision 和业务成本调优。

为什么不平衡数据下 accuracy 不可靠？

如果负样本占 99%，模型全预测负类也有 99% accuracy，但对少数类完全没有识别能力，所以要看少数类相关指标。

过采样有什么风险？

简单复制少数类样本可能让模型记忆噪声，导致过拟合。需要配合交叉验证、数据增强或更稳的采样策略。