На дисбалансированной выборке у модели recall 100% и precision 1%. Что случилось?

Модель нашла все положительные объекты, но почти все её положительные предсказания ложные. Частая причина — предсказывать положительный класс почти всем при его доле около 1%.

Например, при 100 положительных объектах из 10000 и предсказании «положительный» каждому получаются recall=100% и precision=1%. Но эти метрики сами по себе не доказывают именно такое поведение: проверьте confusion matrix, долю positive predictions, порог и соответствие меток. Для настройки используйте precision–recall curve и цену FP/FN. Accuracy на сильно несбалансированной выборке также может вводить в заблуждение.