你所在的团队负责某大型公有云平台的“竞价实例（Spot Instances）”智能调度系统。竞价实例允许用户以大幅折扣（通常为按需价格的10%-20%）购买闲置算力，但云平台保留在资源紧张时强制回收（Pre-empt）这些实例的权利。 为了降低用户的使用风险并优化平台的资源利用率，团队需要构建一个“实例中断概率预测模型”。 ##### 输入数据： - 集群状态数据：过去30天的集群CPU/内存水位、历史供需曲线（分钟级）。 - 用户画像数据：用户历史出价行为、作业类型（Web服务/离线计算）、历史续费率、所属行业。 - 实例特征：实例规格（如8核16G）、所在的可用区（AZ）、运行时长。 - o 预测目标：预测当前运行的实例在未来1小时内是否会被系统强制回收（Binary Classification）。 ##### 业务约束： 1. 极度不平衡：实际发生强制回收的概率极低（约1%），样本极度不平衡。 2. 非对称成本：如果模型漏报（FN），导致用户作业运行中途被杀且无预警，平台需支付高额SLA赔偿且严重损害商誉；如果模型误报（FP），导致用户提前迁移作业，仅造成少量的计算成本浪费。 3. 时效性：模型需支持近实时推断。 （5）经过多轮迭代，新模型的离线测试集AUC达到了0.88，相比旧模型（AUC 0.75）有显著提升。然而，当把模型输出的概率值直接作为“中断风险系数”传递给下游的竞价系统进行自动化出价（风险越高，出价越低以对冲成本）时，业务效果反而下降了——竞价系统经常在低风险时出价过低导致拿不到机器，或在高风险时出价过高导致亏损。经过分析发现，虽然模型排序能力（Ranking）很强，但输出的概率值偏离了真实概率（例如模型预测0.6，实际真实中断率仅为0.2）。 为了解决这个问题，在评估阶段除了关注AUC，必须引入以下哪个步骤？