Python Logistic回归中的混淆矩阵

在二元分类的逻辑回归中，当使用

predict（）

时，分类器如何决定类（1/0）

是否基于概率阈值，如果大于0.5，则为1，否则为0？如果是，是否可以手动更改此阈值

---

我知道我们从

predict\u prob（）

中得到概率，但我对

predict（）

函数很好奇

逻辑回归与其他分类模型一样，返回每个类别的概率。作为一个二进制预测器，它只有两个类

从中，

predict（）

返回类概率最高的类

def predict(self, X):
    """Predict class labels for samples in X.
    Parameters
    ----------
    X : {array-like, sparse matrix}, shape = [n_samples, n_features]
        Samples.
    Returns
    -------
    C : array, shape = [n_samples]
        Predicted class label per sample.
    """
    scores = self.decision_function(X)
    if len(scores.shape) == 1:
        indices = (scores > 0).astype(np.int)
    else:
        indices = scores.argmax(axis=1)
    return self.classes_[indices]

---

是的，在这种情况下，它返回的类的概率大于50%，因为类概率之和=1。

它选择概率最高的类。好的，谢谢。那么，最大似然估计从何而来？对不起，如果这和它完全无关的话。这是一个更适合数学的问题。以下是.MLE在尝试根据一些训练数据计算模型系数时的相关信息。然后使用模型系数对新数据进行预测。