99%的预测准确率可能说明, 你预测的没有点进去的人很准确 (因为有99%的人是不会点进去的, 这很好预测). 不能说明你的模型对点进去的人预测准确, 所以, 对于这样的非平衡数据集, 我们要把注意力放在小部分的数据上, 即那些点击进去的人.

正确答案是：B: 模型预测准确率不高, 我们需要做点什么改进模型。

### 分析：

在处理不平衡数据集的问题时，如点击率预测，不应该单纯依赖准确率（accuracy）来评估模型性能。理由如下：

1. **不平衡数据集的特性**：
- 在一个非常不平衡的数据集中，如题目中99%的人不会点击，而1%的人会点击，一个简单的“全负类”模型（即永远预测为不会点击）也可以达到99%的准确率。这种模型实际上没有学到任何有用的信息。

2. **评价指标的选择**：
- 对于不平衡数据集，准确率无法反映模型在少数类上的表现。我们应考虑使用其他评价指标，如精确率（Precision）、召回率（Recall）、F1分数（F1 Score）等。
- 精确率关注模型预测为正样本中的准确性。
- 召回率关注模型在真实正样本中的捕获率。
- F1分数是精确率和召回率的调和平均，更好地反映不平衡数据集上的模型表现。

3. **模型改进建议**：
- 使用重采样技术：如上采样少数类或下采样多数类。
- 使用合适的损失函数：可以使用加权损失函数，让模型对错误分类的少数类惩罚更大。
- 尝试其他模型：如集成学习方法（随机森林、梯度提升决策树）或特殊的不平衡数据处理模型（如SMOTE结合分类器）。

### 总结
因此，选项B是正确的，因为尽管表面上准确率高，但由于数据集的不平衡特性，模型对少数点击类的预测能力可能很弱，需要进一步的改进和优化。