3. 阈值的基本概念：分类问题中的决策边界，概率输出与硬分类，阈值对模型行为的影响
在分类任务中，模型通常输出一个介于 0 到 1 之间的概率值，而非直接的类别标签。这个概率值需要与一个阈值（Threshold）进行比较，才能转化为最终的分类决策。阈值是连接模型概率输出与硬分类结果的桥梁，也是影响模型行为最直接、最敏感的杠杆。
3.1 决策边界：阈值在特征空间中的几何意义
在特征空间中，决策边界是模型将不同类别分开的曲面或超平面。对于二分类问题，当模型输出概率 p(y=1|x) 等于阈值 T 时，对应的样本点就落在决策边界上。
- 默认阈值 T=0.5：决策边界位于模型认为两类概率相等的点。
- 调整阈值：相当于平移或扭曲决策边界，改变分类的保守程度。
核心洞察： 阈值不是模型参数，而是决策策略参数。它不改变模型对概率的估计，只改变如何将概率映射为类别。
3.2 概率输出与硬分类：从连续值到离散标签
大多数分类模型（如逻辑回归、神经网络、梯度提升树）的原始输出是一个概率值。硬分类则是将概率与阈值比较后得到的离散标签。
| 概念 | 定义 | 示例（T=0.5） | 信息量 |
|---|---|---|---|
| 概率输出 | 模型对样本属于正类的置信度估计，范围 [0, 1] | p = 0.72 | 高：包含置信度信息 |
| 硬分类 | 根据阈值将概率映射为离散标签 {0, 1} | ŷ = 1（因为 0.72 ≥ 0.5） | 低：丢失了置信度细节 |
实战建议： 在可解释AI报告中，始终保留概率输出而非仅展示硬分类结果。概率值能揭示模型的不确定性，帮助判断样本是否处于决策边界附近。
3.3 阈值对模型行为的影响：权衡与偏移
改变阈值会系统性地改变模型的预测行为，主要体现在以下四个维度：
- 正类预测数量：降低阈值 → 更多样本被预测为正类；提高阈值 → 更少样本被预测为正类。
- 精确率与召回率：阈值降低通常提高召回率但降低精确率；阈值提高则相反。
- 假阳性与假阴性：阈值降低增加假阳性（误报）；阈值提高增加假阴性（漏报）。
- 模型校准度：阈值本身不影响校准，但改变阈值后，决策边界附近的样本分类可靠性会变化。
3.4 阈值选择的实际考量
在实际项目中，阈值的选择不应默认为 0.5，而应基于业务场景的代价矩阵进行优化：
| 业务场景 | 代价偏好 | 推荐阈值策略 | 典型阈值范围 |
|---|---|---|---|
| 疾病筛查 | 宁可误报，不可漏诊 | 降低阈值，优先提高召回率 | 0.1 – 0.3 |
| 欺诈检测 | 平衡误报与漏报 | 根据成本比优化 F1 或 F-beta | 0.3 – 0.6 |
| 垃圾邮件过滤 | 宁可漏过，不可误拦 | 提高阈值，优先保证精确率 | 0.7 – 0.9 |
| 高风险决策（如信贷审批） | 极度厌恶假阳性 | 大幅提高阈值，要求高置信度 | 0.8 – 0.95 |
常见误区： 不要将 0.5 视为“默认正确”的阈值。当类别不平衡时（如正类仅占 1%），0.5 阈值往往导致模型将所有样本预测为负类，完全失去分类能力。此时应使用验证集上的 PR 曲线或 ROC 曲线来指导阈值选择。
3.5 阈值分层：可解释性的切入点
阈值分层技巧的核心思想是：不固定单一阈值，而是在不同概率区间采用不同的阈值策略。这为可解释AI提供了两个关键优势：
- 透明性：明确告知用户每个预测是基于哪个阈值区间做出的，以及该区间的历史表现（精确率、召回率）。
- 可控性：业务专家可以根据风险偏好，独立调整每个区间的阈值，而不影响模型本身的参数。