Class Imbalance Learning: 如何选择分类阈值？不同业务目标下的策略。

Core Concept: 按代价矩阵最小化期望损失，或按业务约束（召回下限）定阈值；用验证集选并考虑校准。

阈值选择的四种准则：① <strong>代价最小化</strong>——若已知误判代价 c_FP 与漏判代价 c_FN，则选使期望代价 c_FP·FP(τ)+c_FN·FN(τ) 最小的阈值；这是最严谨的做法（需要业务提供代价）。② <strong>约束优化</strong>——固定一个指标的下限，最大化另一个（如'在 Precision ≥ 90% 的前提下最大化 Recall'）；这对应'业务门槛'场景（如风控要求误杀率低于某值）。③ <strong>指标最优化</strong>——直接最大化 F1、F_β（β 控制精确/召回的相对权重）或平衡准确率。④ <strong>分位数阈值</strong>——按预测分数的分位数定阈值（如只取 top 1% 作为正类），适合'名额固定'的场景（如每天只处理 N 个案件）。<strong>关键前提</strong>：阈值必须在<strong>验证集</strong>上选（不能看测试集），且模型需输出<strong>校准良好</strong>的概率（否则阈值与业务含义脱节）。

业务场景的典型策略：① <strong>召回优先（低阈值）</strong>——欺诈检测、疾病筛查、安全告警：漏判代价极高，宁可多误报（后续人工复核）；② <strong>精确优先（高阈值）</strong>——推荐系统、打扰型通知、自动执行的操作：误报损害用户体验，宁可少做；③ <strong>平衡（F1/代价最优）</strong>——多数业务场景。<strong>实践要点</strong>：① <strong>校准的必要性</strong>——若模型过自信（深度网络常见），其'0.9 概率'可能实际只有 0.7 的准确率，故阈值失去业务含义；应先做温度缩放/Platt/isotonic 校准再定阈值。② <strong>阈值与分布漂移</strong>——线上分布变化会使固定阈值失效（如正类比例变化），需定期重估或用<strong>自适应阈值</strong>（按预测分数的分位数动态调整）。③ <strong>分层阈值</strong>——不同用户群/场景可用不同阈值（如新用户更保守、高价值用户更激进）；这需要分群验证集。④ <strong>成本的不对称性量化</strong>——与业务方一起量化 c_FP/c_FN（如'一次误判的客服成本 vs 一次漏判的损失'），把技术阈值转化为业务语言。⑤ <strong>监控</strong>——上线后监控实际精确率/召回率，若偏离预期则说明分布漂移或校准失效。