Classification 真实概率预测的阈值是否应该是事件的边际概率（从数学角度）？
假设我有一个不平衡的数据集，有0.95个负样本和0.05个正样本，还有一个模型（XGboost）在此基础上训练 然后，我用它校准了我的模型，得到了这条（几乎太完美了）校准曲线 我知道现实生活中的决策阈值是精确性/召回率等之间的折衷，但从数学角度来看（如果我们能够预测绝对正确的概率），最佳阈值是否总是正/负的比率，即在这种情况下为0.05 就个人而言，我会说“是”，因为这里事件的边际概率是0.05，因此预测概率高于0.05将是“比平常更高”，即比平常更可能，反之亦然Classification 真实概率预测的阈值是否应该是事件的边际概率（从数学角度）？,classification,threshold,calibration,probability-theory,Classification,Threshold,Calibration,Probability Theory,假设我有一个不平衡的数据集，有0.95个负样本和0.05个正样本，还有一个模型（XGboost）在此基础上训练 然后，我用它校准了我的模型，得到了这条（几乎太完美了）校准曲线 我知道现实生活中的决策阈值是精确性/召回率等之间的折衷，但从数学角度来看（如果我们能够预测绝对正确的概率），最佳阈值是否总是正/负的比率，即在这种情况下为0.05 就个人而言，我会说“是”，因为这里事件的边际概率是0.05，因此预测概率高于0.05将是“比平常更高”，即比平常更可能，反之亦然