3. 阈值基础概念：分类阈值、决策边界、混淆矩阵与业务决策影响

在金融风控模型中，分类阈值是连接模型输出与业务决策的核心枢纽。本章将系统梳理阈值的基础概念体系，包括分类阈值的定义、决策边界的几何意义、混淆矩阵的构成，以及阈值调整如何直接改变业务收益与风险敞口。

3.1 分类阈值（Classification Threshold）

分类阈值是模型将连续概率分数转换为离散类别标签的临界点。对于二分类问题，模型通常输出一个介于 0 到 1 之间的概率值 p，表示样本属于正类（如“违约”）的可能性。通过设定阈值 T，决策规则为：

if p >= T:
    预测为正类（违约）
else:
    预测为负类（非违约）

阈值 T 的默认值通常为 0.5，但在风控场景中，这一默认值几乎从不直接使用。阈值的选择取决于业务对“漏过坏人”与“误杀好人”的代价权衡。

3.2 决策边界（Decision Boundary）

决策边界是特征空间中划分正负类区域的超平面或曲面。在逻辑回归等线性模型中，决策边界是一条直线（二维）或一个超平面（高维）；在树模型或神经网络中，决策边界可以是非线性的复杂曲面。

阈值 T 直接影响决策边界的位置：

• 阈值升高（如从 0.5 升至 0.7）：决策边界向正类区域收缩，只有高置信度样本被判定为正类，边界更“保守”。
• 阈值降低（如从 0.5 降至 0.3）：决策边界向负类区域扩张，更多低置信度样本被划入正类，边界更“激进”。

下图展示了不同阈值下决策边界的变化对分类结果的影响：

3.3 混淆矩阵（Confusion Matrix）

混淆矩阵是评估分类模型性能的基础工具，通过比较预测类别与真实类别，将预测结果划分为四种状态：

四个核心指标由混淆矩阵衍生：

• 准确率（Accuracy） = (TP + TN) / (TP + FP + FN + TN)
• 精确率（Precision） = TP / (TP + FP) —— 预测为正类中真正为正类的比例
• 召回率（Recall / TPR） = TP / (TP + FN) —— 真实正类中被正确识别的比例
• 特异度（Specificity / TNR） = TN / (TN + FP) —— 真实负类中被正确识别的比例

3.4 阈值对业务决策的影响

阈值的变化会通过混淆矩阵的四个单元格数值，直接传导至业务收益与风险指标。以下通过一个信贷审批案例说明：

案例背景： 某消费金融公司月均申请 10,000 笔，坏账率 5%（即 500 笔真实违约），平均单笔贷款收益 200 元，单笔坏账损失 1,000 元。

从上表可以看出：

• 阈值从 0.5 升至 0.7：FN 从 50 增至 100（坏账损失翻倍），但 FP 从 800 降至 400（多放款 400 笔优质客户），净利润反而增加 30,000 元。
• 阈值从 0.5 降至 0.3：FN 降至 20（坏账减少），但 FP 飙升至 1,500（拒绝大量优质客户），净利润下降 110,000 元。

3.5 阈值漂移的早期信号

阈值漂移通常不会突然发生，而是通过混淆矩阵指标的渐进变化体现。以下信号提示阈值可能需要重新校准：

1. 精确率持续下降：FP 占比上升，说明模型将过多负类样本误判为正类。
2. 召回率突然跳变：TPR 异常升高或降低，可能源于数据分布偏移。
3. 业务收益曲线拐点：净利润增长率由正转负，表明当前阈值已偏离最优区间。
4. 拒绝率与坏账率背离：拒绝率上升但坏账率未同步下降，说明阈值调整无效。

下图展示了阈值与业务收益之间的典型关系曲线：

3.6 阈值选择的基本原则

在实际风控业务中，阈值选择应遵循以下步骤：