Logistic回归概率类别对应及营销倾向得分应用咨询

别担心，这个困惑在分类模型实践中太常见了！我来帮你理清这个问题，一步步解决：

一、确定概率数组与类别0/1的对应关系 #

你看到的概率数组是模型对每个样本属于各个类别的预测概率，顺序完全由模型训练时的类别标签顺序决定。这里有两种最可靠的方法来确认：

1. 直接查看模型的类别属性（最准确） #

如果你用的是scikit-learn这类主流框架训练的Logistic回归模型，训练完成后可以直接调用模型的classes_属性，它会返回模型识别的类别顺序，这个顺序和predict_proba输出的概率数组顺序一一对应。
比如执行：

print(model.classes_)

如果输出是array([0, 1])，那概率数组的第一个元素是类别0的概率，第二个是类别1的概率；如果输出是array([1, 0])，顺序就反过来。

2. 用已知类别的样本验证（快速排查） #

找一个你明确知道实际类别是1的样本，把它输入模型得到概率数组，数值更大的那个位置就对应类别1的概率。比如你示例里第二行actual=1且prediction=1，如果模型预测正确，那对应类别1的概率应该是数组里更大的那个值——这里你的示例写的是[76, 34]，看起来有点矛盾，可能是输入时的笔误？但用这种验证方法能快速帮你确认对应关系。

二、筛选高倾向客户的步骤 #

确定类别1的概率位置后，就可以按以下步骤筛选高倾向客户：

1. 提取类别1的概率值：从每个样本的概率数组中取出对应类别1的那个值；
2. 按概率降序排序：把所有样本按照类别1的概率从高到低排序，概率越高的客户，属于类别1的倾向越强；
3. 截取高概率样本：根据你的业务需求（比如取前10%、前N个）筛选出高倾向客户。

代码示例（scikit-learn场景） #

# 假设model是训练好的Logistic回归模型，X是待预测的客户特征数据
# 1. 确认类别顺序
print("模型的类别顺序：", model.classes_)

# 2. 获取所有样本的概率数组
all_probs = model.predict_proba(X)

# 3. 找到类别1对应的索引位置
class_1_idx = list(model.classes_).index(1)

# 4. 提取每个样本的类别1概率
class_1_probs = all_probs[:, class_1_idx]

# 5. 把概率和客户数据结合并排序（假设客户数据存在DataFrame里）
import pandas as pd
# 假设你的客户数据df包含所有客户信息
df['propensity_score'] = class_1_probs

# 按倾向得分降序排序
sorted_customers = df.sort_values(by='propensity_score', ascending=False)

# 6. 筛选前1000个高倾向客户
high_propensity_customers = sorted_customers.head(1000)

注意事项 #

• 如果你用的是其他框架（比如TensorFlow/PyTorch），核心逻辑一样：找到模型定义时的类别标签映射顺序，就能对应到概率数组的位置；
• 自定义模型的话，要检查输出概率时的顺序是否和你标注的类别标签顺序一致，避免搞反。

内容的提问来源于stack exchange，提问作者Saket Guntoorkar