点击率预估本质上是一个概率问题，模型输出的是用户点击某物品的条件概率。理解这一点，才能正确解读模型分数，而不是把它当作绝对排序依据。
概率预估需要校准，即预测概率与实际频率一致。若模型整体高估点击率，排序结果可能仍然合理，但在出价、预算分配等场景会造成系统性偏差。
常用校准方法包括保序回归和 Platt 缩放，评估时可观察可靠性曲线。校准与区分度是两个维度，AUC高不代表概率准，二者需要分别监控。
实践中还要注意样本偏差，曝光位置和选择效应会影响观测到的点击分布。只有理解概率背后的假设，才能避免把相关性误读为因果。
