样本失衡时，可以使用ROC曲线评价分类器的性能好坏。（）

样本失衡时，可以使用ROC曲线评价分类器的性能好坏。（）

A、正确

B、错误

正确答案：A

答案解析：

样本失衡问题：在分类任务中，样本失衡是指不同类别的样本数量存在较大差异。例如，在疾病诊断中，健康样本数量可能远多于患病样本，这种情况下使用传统的准确率指标来评价分类器性能可能会产生误导。因为分类器可能简单地将所有样本都预测为多数类，就能获得较高准确率，但这并不能真实反映其对少数类（患病样本）的分类能力。

ROC曲线特性：接收者操作特征曲线（ROC曲线）以假正率（FPR）为横轴，真正率（TPR）为纵轴。真正率表示实际正例中被正确预测为正例的比例，假正率表示实际负例中被错误预测为正例的比例。ROC曲线的一个重要优点是它对样本类别分布不敏感，即在样本失衡的情况下，仍然能够有效地评估分类器的性能。无论正负样本比例如何变化，ROC曲线都能直观地展示分类器在不同阈值下的分类性能，通过曲线下面积（AUC）可以定量地衡量分类器的优劣。AUC越大，说明分类器的性能越好。所以，当样本失衡时，可以使用ROC曲线评价分类器的性能好坏，该说法正确。