分类阈值

分类阈值 (Classification Threshold)

分类阈值（Classification Threshold），也称决策阈值（Decision Threshold），是二分类模型中用于将模型的连续输出（通常为预测概率或得分）映射为离散类别标签的临界值。在标准的二分类框架下，模型对每个样本输出一个介于 0 与 1 之间的预测概率 $\hat{p}$，表示该样本属于正类的概率。分类阈值为一个预设的截断值 $c \in [0, 1]$：若 $\hat{p} \ge c$，则将样本预测为正类；若 $\hat{p} < c$，则预测为负类。阈值的选取直接影响分类器的各项性能指标，是实际应用中模型部署的关键决策。

阈值与分类性能的权衡

调整分类阈值会在真正率（True Positive Rate, TPR，也称灵敏度或召回率）和假正率（False Positive Rate, FPR）之间产生系统性的权衡。降低阈值使更多样本被预测为正类，提高真正率（捕获更多真实正例）但同时也提高假正率（更多负例被误判为正）；提高阈值的效果则相反。这一权衡由ROC曲线（Receiver Operating Characteristic Curve）完整刻画：ROC 曲线以假正率为横轴、真正率为纵轴，曲线上的每一点对应一个特定的分类阈值。

分类阈值的常用选取策略包括：默认阈值 $c = 0.5$（假设正负类概率对称且误分类成本相等）；约登指数（Youden Index）法，即选择使 $J = \text{TPR} - \text{FPR}$ 最大化的阈值，等价于在ROC曲线上距离左上角最近的点；以及基于误分类成本的加权方法，当假阳性与假阴性的实际代价不同时（如疾病筛查中漏诊的代价远高于误报），应根据相对成本比来调整阈值。若假阴性代价为 $C_{FN}$、假阳性代价为 $C_{FP}$，最优阈值应使预期总成本最小化。

评估指标与阈值选择

不同应用场景对性能指标的偏好显著影响阈值的选取。在准确率（Accuracy）导向的场景中，通常采用默认阈值或通过交叉验证择优。在查准率（Precision）关键的应用（如垃圾邮件检测中误删正常邮件代价高昂），倾向提高阈值以降低假正率。在召回率（Recall）优先的应用（如癌症筛查中漏诊不可接受），倾向降低阈值以捕获更多真实正例。F1分数作为查准率与召回率的调和平均，可用于在两者间寻找平衡点，最佳阈值通常使F1最大化。PR曲线（Precision-Recall Curve）在类别不平衡严重时比ROC曲线更能体现模型性能差异。