二分类任务中，AUC值异常偏高（如FPR达0.2时TPR即100%）并非模型性能优异，反而可能预示数据或建模环节存在隐患。结合建模实践，需从特征有效性及验证集合理性四方面系统排查。
特征层面，需优先核查高重要性特征是否存在穿越问题。部分场景中，特征直接包含目标变量信息或与标签存在非业务逻辑关联（如误将用户ID入模），会导致正负样本特征分布呈现断层式区分。可通过分层绘制特征直方图、箱线图，对比正负样本的取值区间，若存在完全分离的情况，大概率穿越了，需移除该特征后重新训练。
验证集方面，需检查OOT数据集的代表性。若OOT数据集缺乏腰部边界样本，仅包含易区分的头尾样本，会使模型性能评估结果偏高。可通过统计OOT数据中正负样本的特征重合度、边界样本占比，判断其是否符合实际业务场景的分布特征，必要时重新选择代表性的验证集。