CalibratedClassifierCV不提升准确率但使predict_proba更接近真实概率；适用于风控、医疗等依赖可靠概率的场景，SVC/RandomForest等需校准，LogisticRegression等通常无需；method选sigmoid（小数据、分布近似高斯）或isotonic（大数据、更灵活）。
CalibratedClassifierCV 本身不提升模型准确率，但它能让输出的 predict_proba 更接近真实概率——比如返回 0.82，那实际正例占比就该在 80% 左右。没校准前，像 SVC 或 RandomForestClassifier 的原始概率常严重偏移，直接当置信度用会误判风险。
什么时候必须上 CalibratedClassifierCV
当你依赖预测概率做决策时，比如风控阈值设定、医疗辅助诊断、A/B 测试分流权重，或需要计算预期损失（expected loss），就不能只看 predict 结果。此时若底层模型不原生支持可靠概率（如 SVC、LinearSVC、XGBClassifier 默认无校准），就必须显式校准。
-
LogisticRegression和GaussianNB自带较合理概率，通常无需额外校准 -
RandomForestClassifier的predict_proba是频率统计，小样本下不稳定，校准后更平滑 - 用
cv='prefit'可对已训练好的模型（比如调参完成的XGBClassifier）单独加校准层，不重复训练
method='sigmoid' 和 method='isotonic' 怎么选
sigmoid（Platt 校准）假设预测分值与对数几率呈线性关系，适合分值分布近似高斯、且类别平衡的数据；isotonic 是非参数单调回归，更灵活，但需足够多的校准样本（建议 ≥1000），否则易过拟合、出现非单调段。
- 小数据集（
n_samples ）优先用 <code>method='sigmoid' - 类别极度不平衡时，
isotonic可能因少数类样本太少而失效，sigmoid更鲁棒 - 校准后用
calibration_curve（来自sklearn.calibration）画可靠性图，看曲线是否贴近对角线
交叉验证 cv 参数的实际影响
cv 控制如何拆分数据做校准：设为整数（如 cv=3）表示 K 折，每折用其余部分训练基模型、本折数据校准；设为 None 则用全部训练数据拟合基模型，再用同一份数据校准——这会导致严重乐观估计，概率不可靠。
立即学习“Python免费学习笔记（深入）”；
- 生产中必须避免
cv=None，哪怕牺牲一点训练速度也要用cv=3或cv=5 - 若基模型训练极慢（如大样本 XGBoost），可用
cv='prefit'+ 手动留出校准集（calibration_data），但要确保校准集独立于训练/验证流程 -
CalibratedClassifierCV的fit时间 ≈ 基模型训练时间 ×cv折数，别在 notebook 里盲目设cv=10
真正容易被忽略的是：校准只作用于 predict_proba 输出，不影响 predict 的硬分类结果；而且它不解决模型偏差，如果基模型学错了模式，校准只会把错的概率“表达得更自信”。先保证特征和基模型合理，再谈校准。
