二分类模型接受率计算异常：阈值变化结果不变问题排查

你的代码计算结果固定不变，核心原因是错误地对应了混淆矩阵ravel后的元素顺序，导致实际计算的是真实标签为accept（0）的样本比例（这是固定值，和模型阈值无关），而非你需要的「预测为accept的样本比例」。

具体分析 #

sklearn的confusion_matrix默认按真实标签行、预测标签列生成矩阵，当你的标签是[0,1]时，矩阵结构为：

[[tn, fp],  # 真实标签0的行：tn=真实0预测0，fp=真实0预测1
 [fn, tp]]  # 真实标签1的行：fn=真实1预测0，tp=真实1预测1

调用ravel()后，元素顺序为：[tn, fp, fn, tp]

但你的代码里写的是：

tn, fn, fp, tp = confusion_matrix(y_true, y_pred).ravel()

这相当于把fp赋值给了fn，把fn赋值给了fp。此时你计算的(tn + fn)实际上是tn + fp——也就是所有真实标签为0的样本总数，这个数是固定的，自然不管阈值怎么变结果都一样。

修正方案 #

方案1：修正变量赋值顺序

直接对应ravel()后的正确元素顺序：

tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
return (tn + fn) / (tn + fn + fp + tp)

这里tn + fn是预测为0（accept）的样本数，会随阈值变化：阈值越高，模型越易预测为1（reject），接受率越低，符合你的预期。

方案2：显式指定标签并直接索引矩阵（更稳妥）

避免因标签顺序默认规则导致的错误，直接通过矩阵索引获取对应值：

# 显式指定标签顺序，确保矩阵结构符合预期
cm = confusion_matrix(y_true, y_pred, labels=[0, 1])
tn = cm[0][0]  # 真实0，预测0
fp = cm[0][1]  # 真实0，预测1
fn = cm[1][0]  # 真实1，预测0
tp = cm[1][1]  # 真实1，预测1
return (tn + fn) / (tn + fp + fn + tp)

内容的提问来源于stack exchange，提问作者Appie Nouri 34