我正在使用一个不平衡的数据集（罕见的正例）来学习预测模型，最终好的 AUC 为 0.92，但 F1 分数非常低 0.2。

是否可以添加一些会改变类概率分布的关键特征，从而我们可以获得一个阈值来生成更高的 F1？

这是一个例子：

在我的原始模型中，我得到了如下所示的类概率分布：

我可以调整阈值以提高精度，但同时切断一些召回。这是由于两个分布之间的重叠区域很大。

然后我使用一个极端数据集，即将目标本身作为学习的特征。结果，我可以看到我将分布完全脱节。

这是否意味着如果我引入一个强大的特征，我可以在一定程度上分割分布，从而提高精度，从而提高 f1 分数？或者请告知如何在不平衡分类问题下提高精度。

非常感谢