sklearn的predict()不适合成本敏感场景，因其硬编码0.5阈值，无法适配误判代价不对称问题；需用predict_proba()配合自定义阈值优化期望成本。
为什么 sklearn 的 predict() 不适合业务成本敏感场景
因为 predict() 硬编码了 0.5 阈值，完全忽略误判代价不对称的问题。比如把高价值客户错判为流失（假阴性）可能损失万元，而把普通用户错标为高价值（假阳性）只多发一条短信——这时你必须把阈值往上调，宁可少判，不能错判。
实际业务中，class_weight 只影响训练时的损失函数，无法精确控制最终决策点；真正可控的是 predict_proba() 输出的概率，再配合自定义阈值做 np.where() 或布尔索引。
- 训练阶段用
class_weight="balanced"是粗粒度补偿，不能替代阈值调整 - 验证集上必须用
predict_proba()，不是decision_function()（后者不保证是概率，SVM/LinearSVC 尤其危险） - 如果模型本身不输出概率（如 XGBoost 默认），得显式加
output_margin=False或用predict_proba()接口
如何用混淆矩阵和成本矩阵算出最优阈值
核心是把分类问题转成期望成本最小化：对每个候选阈值 t，计算该阈值下总成本 = FN_cost × FN + FP_cost × FP + TN_cost × TN + TP_cost × TP，取使总成本最小的 t。
别手写循环遍历——用 sklearn.metrics.precision_recall_curve() 能直接拿到所有阈值对应的 precision、recall、thresholds，再结合真实标签反推各象限数量。
立即学习“Python免费学习笔记（深入）”；
- 先调用
precision_recall_curve(y_true, y_score)，其中y_score是正类概率 - 对每个
thresholds[i]，用y_score >= thresholds[i]得到预测标签，再用confusion_matrix(y_true, pred)拆出 TP/FN/FP/TN - 成本矩阵建议存成字典：
cost = {"FN": 5000, "FP": 20, "TP": 0, "TN": 0}，避免硬编码下标
生产环境部署时怎么安全更新阈值而不重训模型
阈值是纯后处理逻辑，和模型权重解耦——这意味着你可以把训练好的模型（.pkl 或 ONNX）原封不动上线，只在推理服务里加一层阈值判断。
但要注意：不同数据分布下最优阈值会漂移。比如促销期用户行为突变，昨天算出的阈值今天就失效。所以阈值不能写死在代码里，得从配置中心或数据库加载，并支持热更新。
- Flask/FastAPI 服务里，把阈值存在
app.config["THRESHOLD"]，用 Redis 缓存并监听变更事件 - 如果用 MLflow 跟踪实验，把最优阈值作为
log_metric("optimal_threshold", t)记录，方便回溯 - AB 测试时，不同流量分组可以挂不同阈值，用
if user_id % 100 这种简单分流就行
容易被忽略的边界情况
概率校准不到位时，predict_proba() 输出的数值根本不能当真实概率用——比如 LightGBM 默认输出的是 margin，需设 objective="binary" 且调用 predict_proba()[:, 1]；又比如某些模型在小样本上会输出 0.999999 或 1.0，导致阈值搜索时漏掉关键拐点。
- 务必用
CalibratedClassifierCV包一层，尤其当你要比较不同模型的成本曲线时 - 阈值搜索范围别只扫 [0.1, 0.9]，极端业务可能需要 0.01（防漏）或 0.99（防误伤），用
np.arange(0.01, 0.99, 0.005) - 如果业务要求“至少召回 95% 的高风险订单”，那就不能最小化总成本，得用约束优化：在
recall >= 0.95下找最小成本，此时要用scipy.optimize.minimize带约束求解
