决策阈值的成本与相等边界

先完成阈值与精确率、召回率的入门对照。本节进一步固定误报和漏报成本，检查相等边界与数据隔离，并将这些要求落实到阈值调优接口。

概率与行动规则分别验收

改变同一批固定分数的阈值，会改变预测类别、误报和漏报，但不改变分数本身。它既不是概率校准，也不是重新训练模型。0.5 是常见概率截断值，不保证符合业务成本。分类决策阈值指南

先明确正类、成本或评分目标，再选择阈值。提高召回可能增加误报；对完整任务的取舍要同时看两者及实际处理量。

练习一 用固定分数核对成本和边界

用 Java 数组保存六条人工记录：

真实标签：[1, 1, 0, 1, 0, 0]
正类分数：[0.90, 0.60, 0.55, 0.40, 0.30, 0.10]
本练习约定：score >= threshold 时判为正类
教学成本：5 × FN + FP

按该约定，手算预期为：

检查调整阈值前后的原分数数组完全一致。另补一条分数恰好等于阈值的记录，断言本程序使用的边界；这里的“大于等于”是本练习的约定，不代表每个库都采用相同的相等处理。

成本 5 和 1 是教学设定，不是生产建议。这六条数据只能核对计算，不能证明某个真实模型的最佳阈值就是 0.35。

练习二 把阈值选择与最终测试分开

准备训练、阈值选择和最终测试的三份样本 ID 清单，任意两份存在交集就阻止本练习继续，并复用已有的近重复家族隔离规则。对已经训练好的分类器，只在阈值选择集比较规则；冻结规则之后，最终测试集只报告结果，不再用其答案反复挑阈值。

使用 TunedThresholdClassifierCV 时，核对实际安装版本和参数：默认评分为 balanced_accuracy，不能拿默认目标替代本练习的成本函数。使用 cv="prefit" 时，调阈值的数据必须区别于基础模型拟合数据，而且需要 refit=False；与 refit=True 组合会报错。多于一次分割的交叉验证又不能强制 refit=False，所以要按完整配置检查。API 参数与限制

交付记录与适用范围

记录模型与数据版本、正类标签、阈值、相等边界、评分或成本权重、三个数据集用途，以及 TP、FP、FN、TN。成本目标或数据分布改变时，旧阈值可能不再适合；阈值验收也不能代替工具授权、来源核查或安全策略。

两项练习均未运行，表中数值是手算预期。接口参数核查不等于真实模型效果验证。

来源与版本

scikit-learn 阈值指南与 TunedThresholdClassifierCV，原核查为 2026-10-25 18:11 JST，页面版本 1.9.1；本次于 2026-10-30 复核目标、独立数据及 cv/refit 限制，页面仍显示 1.9.1。该类标记自 1.5 加入，独立发布日期未标明。