逻辑回归 · 决策操作台

同一个模型，阈值不同，业务结果也不同

我们先固定一批可复现的预测分数，再移动分类阈值。混淆矩阵、Precision、Recall、F1、PR/ROC 操作点和业务成本会一起变化。

选择数据场景

正类占 50% · 固定种子 2026

0.50

分数 ≥ 阈值时判为正类。

3

误报 = 假正例 FP。

25

漏报 = 假负例 FN。

1000

调整后按固定种子重新生成。

300

一次最多可处理多少条正类告警。

混淆矩阵与指标

行是真实类别，列是模型在当前阈值下的判断。

总计 1000 个样本
真实 ↓
预测 →
预测为正类
预测为负类
实际为正类
真正例 TP 0 找到的正类
假负例 FN 0 漏掉的正类
实际为负类
假正例 FP 0 误报的负类
真负例 TN 0 排除的负类
Precision 查准率 0.000
Recall 召回率 0.000
F1 0.000

分母均非零。

总业务成本（成本单位） 0

FP × 3 + FN × 25 = 0

正类告警占用
0 条 容量 300

尚未占用审核容量。

阈值扫描与当前操作点

曲线来自同一批确定性数据；圆点是当前阈值。

PR：Recall × Precision

(0.000, 0.000)
类别越不平衡，Precision 越容易受到误报数量影响。

ROC：FPR × TPR

(0.000, 0.000)
虚线是随机排序基线；TPR 与 Recall 是同一个量。

当前阈值 0.50。