先记住这个答案
因为ROC横轴FPR的分母包含全部真负例，罕见场景下负例基数巨大，少量误报除以百万级分母后FPR仍接近0，曲线被推向左上，AUC虚高；PR-AUC不引入TN，直接用Precision和Recall评估正类捕获能力，对FP比例更敏感，能区分模型实际好坏。但PR-AUC随患病率变化，跨场景对比需谨慎。
- ROC受TN稀释，罕见事件下偏乐观
- PR-AUC以正类为中心，对误报敏感
- PR-AUC随患病率漂移，不可跨集比较
为什么ROC的假阳率容易被真负例稀释
ROC横轴FPR=FP/(FP+TN)。当负例是正例的1000倍时，FP即便达到数万，分母中TN也有数百万，FPR仍小于0.1。曲线被拉向左上方，AUC看似接近1，像没有误报，这实则掩盖了FP的实际数量。
PR不包含TN。Precision=TP/(TP+FP)，每次FP增加都直接减少Precision；Recall=TP/(TP+FN)只依赖正例。因此当模型追求高召回而误报激增时，Precision会断崖下降，PR曲线立刻暴露差距。
信用卡欺诈中两个模型的具体比较
设测试集有1000万正常交易和1万欺诈。模型甲抓7000欺诈误伤4万正常；模型乙抓全部10000欺诈但误伤50万。ROC的FPR甲为0.004、乙为0.05，TPR分别为0.7和1，曲线面积差异不大。PR的Precision甲≈0.149、乙≈0.0196，点间距远大于ROC。
若业务限定每拦一笔欺诈最多误伤20单，甲满足而乙不满足。只看ROC会把乙误当几乎完美，PR却把乙的单位捕获成本显式画了出来，所以离线选型应优先看PR-AUC并落到具体阈值。
PR-AUC的使用边界：患病率漂移与操作点模糊
PR-AUC依赖正例患病率。当正例率从1%降到0.1%，同一排序模型的PR曲线会整体下移，面积变小，因此不能将不同流量群体或不同时期的PR-AUC直接比较，而应报告同一阈值下的Precision/Recall点或做基线标准化。
PR-AUC汇总整条曲线，掩盖局部操作区的质量。若业务只需高精确的头部拦截，只比较总面积可能忽略关键区域的Precision恶化。应结合成本函数锁定具体阈值，再以该点指标做最终决策。
容易答错的地方
- ROC-AUC高意味着罕见样本检测好
- 当负例占99%时，FPR被TN压得很低，ROC面积可高达0.99，但实际可能漏掉大量正例。应结合Recall@低FPR或直接看PR-AUC。该误区源于忽略N对FPR的缩放作用。
- 所有不平衡场景都应该用PR-AUC
- 若两类成本对称或FN代价远大于FP，ROC的全局视角仍有价值。并且正例率会随时间变化的场景下，PR-AUC不能跨时间比较。指标选择必须基于业务成本，不能一刀切。
面试官还会怎么问？
二分类完全平衡时还能用PR-AUC吗？
差异会缩小，两类出现概率相同时ROC依然从全体实例概括，PR更强调正类语义。若业务更重视正类，仍建议用PR-AUC；否则ROC更通用。
PR-AUC可以直接用来选分类阈值吗？
不能，它只衡量排序能力。应结合每个阈值的成本（如误伤金额）在P-R曲线上寻找最优点，再验证该点稳定性。
线上A/B实验怎么报告PR-AUC？
按相同流量口径分组计算，避免患病率波动干扰，并同时记录混淆矩阵与期望成本，使决策更接近业务损失。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。