我们知道，在逻辑回归模型的二元分类中，默认的成功阈值是> 0.5。

我想知道如果预测的成功和失败的概率恰好是0.5，这个模型的输出会是什么？有人能帮我解释一下吗？

回答：

从理论上讲，你可以决定如何处理那些概率p = 0.5的样本。

如果你问的是sklearn逻辑回归实现的决策边界 –

这是源代码中的预测方法：

def predict(self, X):    """    Predict class labels for samples in X.    Parameters    ----------    X : array_like or 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]

你可以看到他们使用了argmax：indices = scores.argmax(axis=1) —— 这意味着如果有两个类别的概率都是0.5，它会选择第一个类别（类别0）；这就是argmax的工作方式。

scores = np.array([[0.5, 0.5]])scores.argmax(axis=1)Out[5]: array([0])