阈值调优策略：全局阈值与动态阈值

阈值这东西，说白了就是一道分水岭。分数高于它，系统就认你是本人；低于它，就拒之门外。我刚开始做算法调优时，总觉得阈值就是个数字，设高点设低点差别不大。直到有一次线上误识率飙到 5%，被客户追着骂了三天……嗯，从那以后我才真正重视起阈值调优。

这一章，咱们就聊聊阈值怎么设、怎么调、怎么权衡。

全局阈值 vs 动态阈值

先看两种最基本的策略：

我个人习惯：能用全局阈值就别上动态。为什么？因为动态阈值意味着你要引入更多变量，变量一多，bug 就多。

阈值与 FAR/FRR 的权衡关系

你想想看，阈值设高了，系统变得「严格」，陌生人进不来（FAR 低），但本人也容易被拒（FRR 高）。阈值设低了，本人刷脸秒过（FRR 低），但随便来个人也能过（FAR 高）。

这就是典型的跷跷板效应。

我记得有一次做金融场景的活体检测，客户要求 FAR 必须低于 0.001%，FRR 不能超过 1%。我一看这指标，就知道全局阈值搞不定。最后用了动态阈值 + 用户分群，才勉强达标。

阈值搜索算法

手动调阈值？别傻了。数据量一大，你调一晚上也找不到最优解。我们需要算法来帮忙。

常用的阈值搜索方法有三种：

1. 穷举搜索：在 [0, 1] 区间内按步长遍历，计算每个阈值下的 FAR/FRR，选最优。
2. 二分搜索：适用于单调性明确的场景，比如固定 FAR 找最小 FRR。
3. 网格搜索 + 交叉验证：把数据分成多份，避免过拟合。

下面是我常用的一个搜索脚本，你拿去就能用：

def search_threshold(scores, labels, target_far=0.01):
    """
    scores: 模型输出的相似度分数列表
    labels: 真实标签，1 表示本人，0 表示冒用
    target_far: 目标误识率
    """
    import numpy as np
    
    thresholds = np.linspace(0, 1, 1000)
    best_th = 0.5
    best_frr = 1.0
    
    for th in thresholds:
        pred = (scores >= th).astype(int)
        far = np.mean((pred == 1) & (labels == 0))
        frr = np.mean((pred == 0) & (labels == 1))
        
        if far <= target_far and frr < best_frr:
            best_th = th
            best_frr = frr
    
    return best_th, best_frr

动态阈值的实现思路

动态阈值不是玄学，它背后有数学支撑。常见的做法是：

• 基于环境光传感器：光照弱时自动降低阈值，避免 FRR 过高。
• 基于用户历史行为：某人最近 10 次都成功，阈值可以适当放宽。
• 基于设备质量：摄像头清晰度低的设备，阈值适当降低。

我参与过一个项目，用户在不同光线下的通过率差异很大。后来我们加了一个简单的线性补偿：

def dynamic_threshold(base_th, ambient_light):
    # ambient_light: 0~1000 lux
    if ambient_light < 50:
        return base_th - 0.05  # 暗光下放宽
    elif ambient_light > 800:
        return base_th + 0.03  # 强光下收紧
    else:
        return base_th

就这么几行代码，FRR 从 8% 降到了 3.2%。

知识结构图

下面这张图帮你理清本章的核心逻辑：

避坑指南

最后，分享几个我踩过的坑：

• 不要用测试集调阈值：调完再测，结果虚高。应该用验证集调，测试集只做最终评估。
• 注意分数分布偏移：模型更新后，分数分布可能整体偏移，阈值要重新搜索。
• 动态阈值要加限幅：别让阈值飘到 0.9 或 0.1 这种极端值，否则系统会变得不可用。