如何在Scikit-learn中实现逻辑回归及二分类时设置特定阈值（如0.75）？

嘿，这个问题问到点子上了！在Scikit-learn里用逻辑回归做二分类时，默认的0.5阈值可不是万能的——尤其是遇到类别不平衡，或者你更看重精确率/召回率这类指标的时候。下面我给你一步步讲清楚怎么调整阈值，包括设置0.75这种特定值的具体操作：

先搞懂默认逻辑 #

Scikit-learn的LogisticRegression默认用predict()方法输出分类结果，背后的逻辑是：调用predict_proba()得到每个样本属于两类的概率（输出是一个二维数组，每一行对应[负类概率, 正类概率]），然后把正类概率≥0.5的样本判定为正类，反之是负类。

为什么要调整阈值？ #

比如在欺诈检测场景，我们更希望尽可能抓到所有欺诈样本（高召回率），这时候可以把阈值调低到0.3左右，哪怕会误判一些正常样本；反过来，如果我们想减少误判（高精确率），比如在癌症筛查中不想让健康人被误诊，就可以把阈值调高到0.7甚至0.8。

调整阈值的核心方法：手动基于概率判断 #

要自定义阈值，核心就是不用predict()，而是用predict_proba()获取概率后自己做判断。以下是具体步骤，以设置阈值0.75为例：

1. 训练模型并获取正类概率 #

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成示例二分类数据，拆分训练/测试集
X, y = make_classification(n_samples=1000, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型（max_iter按需调整，避免收敛警告）
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

# 获取测试集样本的正类概率（取predict_proba返回的第二列）
y_pos_proba = model.predict_proba(X_test)[:, 1]

2. 应用自定义阈值生成预测结果 #

# 设置目标阈值
custom_threshold = 0.75

# 基于阈值判断类别：概率≥阈值则为正类（1），否则为负类（0）
y_pred_custom = (y_pos_proba >= custom_threshold).astype(int)

这样就得到了基于0.75阈值的分类结果，你可以用sklearn.metrics里的指标（比如精确率、召回率、F1分数）来评估这个阈值的效果。

怎么找到最优阈值？ #

如果不想凭经验设值，可以借助ROC曲线或Precision-Recall曲线来找到符合你需求的最优阈值。比如我们可以遍历所有可能的阈值，找到F1分数最高的那个：

from sklearn.metrics import roc_curve, f1_score

# 计算ROC曲线的假正率、真正率和对应的所有阈值
fpr, tpr, thresholds = roc_curve(y_test, y_pos_proba)

# 遍历阈值，找到F1分数最高的那个
best_threshold = 0.5
best_f1 = 0.0

for thresh in thresholds:
    temp_pred = (y_pos_proba >= thresh).astype(int)
    current_f1 = f1_score(y_test, temp_pred)
    if current_f1 > best_f1:
        best_f1 = current_f1
        best_threshold = thresh

print(f"基于F1分数的最优阈值: {best_threshold:.4f}，对应的F1分数: {best_f1:.4f}")

你也可以根据业务需求替换成精确率或召回率来筛选阈值，比如优先保证召回率≥0.9，再找对应的阈值。

小提醒 #

• 如果你想把这个自定义阈值的逻辑封装起来，可以写一个简单的辅助函数，或者继承LogisticRegression重写predict方法，但大多数情况下直接用概率判断就足够灵活。
• predict_log_proba()输出的是对数概率，和predict_proba()本质一样，转换为概率后再用阈值判断即可。

内容的提问来源于stack exchange，提问作者Shubham Joshi