阈值是决策,不是模型
模型给的是概率
逻辑回归输出的不是一个标签,是一个 0 到 1 之间的数。
要变成"有病/健康",得有一条线:
这条线不在模型里,是你在外面画的。
默认大家用 0.5,但那只是习惯,没有数学上的必然性。
挪动阈值会发生什么
用一份 300 个样本的数据(30 个正类),画精确率和召回率随阈值的变化:

两条线方向相反:
阈值升高 → 只在很有把握时才报 → 报的少但准(精确率↑),漏的多(召回率↓)
阈值降低 → 稍微有点像就报 → 抓得全(召回率↑),但误报一堆(精确率↓)
它不是模型的缺陷,是同一件事的两个侧面。
模型本身没变——它给出的那 300 个概率,一个都没变。变的只是你拿哪条线去切。
所以"这个模型的精确率是 0.35"这句话是不完整的,得说"在阈值 0.5 下"。
阈值该定在哪
看业务代价。
假设这是一个癌症筛查。把阈值从 0.5 降到 0.3,会发生:
阈值 0.5 | 阈值 0.3 | |
|---|---|---|
召回率 | 0.833 | 1.000 |
精确率 | 0.197 | 0.139 |
抓到的病人 | 25 / 30 | 30 / 30 |
报出人数 | 127 | 216 |
多抓 5 个病人,代价是多让 89 个健康人去做复查。
这笔账划不划算,得医院来算——一次复查多少钱、漏诊一个的代价多大。算法工程师算不了这个。
拿默认的 0.5 跑完,报个指标就交差。
如果正类只占 3%,0.5 这条线往往根本不合适——模型输出的概率很少超过 0.5,你可能一个都报不出来。
阈值应该由业务代价决定,然后写进代码里,不是一个可以忽略的默认值。
PR 曲线
把所有阈值下的 (召回率, 精确率) 都画出来,就是一条曲线:
横轴召回率,纵轴精确率。每挪一次阈值,就在曲线上走一个点。
曲线越靠右上越好(两个都高)。理想情况是贴着右上角走。
ROC 曲线(下一课)的横轴是假阳性率,分母是负类总数。
负类有 970 个,即使误报很多,假阳性率也不会太难看——分母太大了,把问题稀释了。
PR 曲线的精确率分母是"模型报出来的数量",误报多了立刻掉下来。所以在正类稀疏的问题上,PR 曲线对模型的好坏更敏感。
类别不平衡时看 PR 曲线,平衡时两者都行。
下一课
PR 曲线有个毛病:它依赖正类的比例。换一份正类占比不同的数据,同一条曲线会变形。
ROC 曲线没这个问题——它衡量的是排序能力,和阈值、和正类比例都无关。