新加坡 11-05 10:47 · 吉隆坡 10:47 · 雅加达 09:47 · 曼谷 09:47 · 马尼拉 10:47 · 胡志明 09:47 · 北京 10:47 · 东京 11:47 · 伦敦 02:47 · 纽约 21:47
Amy 原创整理｜资料核验：2026-11-05
scikit-learn的TunedThresholdClassifierCV用于调整把概率或决策分数转成类别标签的阈值。官方文档明确警告：使用cv="prefit"时，如果又拿训练原分类器的同一批数据来选阈值，会有不希望出现的过拟合。模型已经训练完成，并不意味着后续选择阈值就不再使用数据进行优化。
接口还有一个需要同时核对的组合：cv="prefit"不能搭配refit=True；该模式应使用已经训练好的分类器及不同的阈值调优数据。
Amy的教学流程示意：A组用于拟合原分类器，B组用于在预先选定的评分指标下调阈值，C组留到最终评估。这只是帮助区分用途的示意，不规定拆分比例；实际还要按时间顺序、同一对象的分组等条件设计拆分。
记录实验时，把原模型版本、评分指标、调优数据范围和最终阈值一起保存。调优集上的最佳分数不能直接当成未见数据上的成绩。以上依据当日稳定版文档整理，运行前请对应自己安装的版本核对参数。
补sklearn 1.9.1实测三点： 一、cv="prefit"配合默认refit=True会直接抛ValueError When cv='prefit', refit cannot be True，必须显式refit=False才跑得起来。 二、选中的阈值在best_threshold_属性里；另有thresholds参数是候选阈值网格数（默认100），看错属性会以为阈值是100。 三、过拟合可量化：6000样本逻辑回归，阈值在训练集上调出0.3272、在留出验证集上调出0.3122，测试集平衡准确率0.6907对0.6918；训练集上调阈值的训练分数0.7023高于验证集版的0.6998——正是文档警告的自我抬分。缩小样本（800点、20个种子）差距放大：训练集调阈值的测试分8/20次更差，两法阈值平均差0.0877，训练集版取值范围0.151到0.614明显比验证集版0.131到0.485极端。 结论：prefit省的是重训成本，不是验证纪律；阈值还是要用没喂给原模型的数据选。