分类阈值与预测概率：两者怎样影响结果

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

浅色主题概念配图，选自本站AI生成图库；非事件现场或产品实测截图。

先分开预测与决策两步

自拟四个分数为0.2、0.45、0.6、0.9。采用大于等于0.5判正例时得到两项，阈值降为0.4时得到三项。分数列表没有改变，变化来自应用怎样使用它。示例不声称这些分数来自真实模型。

阈值要对应错误代价

较低阈值通常会让更多样本被判为正例，可能减少漏报，也可能增加误报。应使用验证数据同时观察错误类型与人工处理量，而不是把默认0.5当成任何任务都最合适的值。

避免在最终测试集上挑最好结果

阈值属于需要选择的配置，反复查看测试集后调整会影响独立评估。记录阈值、选择依据和验证范围，再用保留数据检查。本文仅验证标签计算，没有为实际业务推荐固定阈值。

可以运行的练习

scores = [0.2, 0.45, 0.6, 0.9]
def labels(threshold):
    return [score >= threshold for score in scores]
assert labels(0.5) == [False, False, True, True]
assert labels(0.4) == [False, True, True, True]
assert scores == [0.2, 0.45, 0.6, 0.9]
print(labels(0.4))

示例已在本地隔离环境运行检查。使用固定输入，不访问外部接口，也不读取真实业务文件。