3. 阈值基础：什么是分类阈值？默认0.5的由来，阈值如何影响正负类判定
3.1 分类阈值的定义
在二分类模型中，模型通常输出一个介于0和1之间的概率值（或置信度分数），而非直接的类别标签。分类阈值（Classification Threshold）就是人为设定的一个截断点，用于将这个连续的概率值映射为离散的类别预测。
核心公式：
如果模型输出概率 p ≥ 阈值 → 预测为正类（Positive）
如果模型输出概率 p < 阈值 → 预测为负类（Negative）
如果模型输出概率 p ≥ 阈值 → 预测为正类（Positive）
如果模型输出概率 p < 阈值 → 预测为负类（Negative）
例如，在垃圾邮件检测中，模型判断某封邮件为垃圾邮件的概率为0.72。若阈值设为0.5，则判定为正类（垃圾邮件）；若阈值设为0.8，则判定为负类（正常邮件）。
3.2 默认阈值0.5的由来
0.5作为默认阈值并非数学必然，而是源于以下三个历史与实用因素：
| 因素 | 说明 |
|---|---|
| 对称性假设 | 当正负类样本数量均衡，且误判代价相等时，0.5是最大似然估计的自然分界点。 |
| 逻辑回归惯例 | 逻辑回归的决策边界对应概率0.5，这是Sigmoid函数输出值的中性点。 |
| 软件默认值 | scikit-learn、TensorFlow等主流框架默认使用0.5作为predict()方法的截断值。 |
重要提醒： 0.5只是工程默认值，并非最优值。在医疗诊断、欺诈检测等场景中，正负类分布极不均衡，0.5往往导致灾难性结果。
3.3 阈值如何影响正负类判定
阈值的变化会直接改变混淆矩阵（Confusion Matrix）中的四个核心指标：
- TP（真正例）：实际为正，预测为正 → 阈值降低时增加
- FP（假正例）：实际为负，预测为正 → 阈值降低时增加
- TN（真负例）：实际为负，预测为负 → 阈值升高时增加
- FN（假负例）：实际为正，预测为负 → 阈值升高时增加
下图展示了阈值从0.1到0.9变化时，模型预测结果在概率分布上的划分情况：
3.4 阈值调整的权衡关系
阈值调整本质上是在精确率（Precision）与召回率（Recall）之间做权衡。下表总结了不同阈值方向带来的影响：
| 阈值方向 | 正类判定条件 | 精确率变化 | 召回率变化 | 典型适用场景 |
|---|---|---|---|---|
| 降低阈值（如0.3） | 更宽松，更多样本被判为正 | ↓ 降低（FP增多） | ↑ 升高（FN减少） | 癌症筛查、欺诈检测（宁可误报，不可漏报） |
| 提高阈值（如0.7） | 更严格，更少样本被判为正 | ↑ 升高（FP减少） | ↓ 降低（FN增多） | 邮件分类、内容审核（宁可漏报，不可误报） |
常见误区： 不要认为0.5是“最公平”的阈值。当正类占比仅为1%时（如信用卡欺诈），0.5阈值会导致模型将所有样本预测为负类，准确率看似99%但完全失效。此时必须根据业务代价调整阈值。
3.5 阈值与模型输出的关系
理解阈值的作用需要区分两个概念：
- 模型输出（Score）：模型对每个样本给出的原始概率或置信度，范围通常在[0,1]。
- 阈值（Threshold）：人为设定的截断点，将连续分数转化为离散类别。
同一个模型，仅通过改变阈值就能产生完全不同的预测行为。下图展示了阈值在决策边界上的作用：
3.6 阈值选择的实用建议
- 先看数据分布：统计正负类比例，若严重不均衡（如1:100），0.5几乎必然失效。
- 明确业务代价：FP和FN哪个代价更高？医疗漏诊（FN）代价远高于误诊（FP）。
- 使用验证集调参：在验证集上遍历0.1~0.9的阈值，观察精确率-召回率曲线。
- 参考F1分数：若无法确定代价，可先选择最大化F1分数的阈值作为起点。
- 记录阈值决策：在模型卡（Model Card）中明确标注所选阈值及其依据。
关键总结： 分类阈值是连接模型概率输出与业务决策的桥梁。0.5只是历史惯例，不是数学真理。理解阈值如何影响TP/FP/TN/FN，是进行可解释AI阈值调整的第一步。