我在尝试使用sklearn训练模型时，希望更改决策阈值来训练模型。然而，我在Stack Overflow上找到的大多数结果都是关于测试集上的预测的。
回答：
在概率分类器的训练中（无论是scikit-learn还是其他任何框架），没有涉及阈值。
在推理时需要阈值来将概率预测转换为硬标签，这反过来又是在计算诸如准确率、精确率、召回率等业务指标所必需的。但这些指标在模型训练中没有任何作用，在模型训练中唯一重要的量（并在模型拟合期间被最小化）是损失。而在损失的计算中不涉及任何阈值。
换句话说，硬类别预测（仅此需要阈值）在模型训练中绝对没有任何作用，因此在训练过程中根本不涉及阈值。
我建议阅读我以下回答，以澄清损失和准确率之间的关系（尽管标题如此，但它们并不特定于Keras，原则上适用于任何二元分类问题）：
还引用了Cross Validated线程中的内容降低分类概率阈值：
当你为新样本的每个类别输出一个概率时，你的练习的统计部分就结束了。选择一个阈值，超出该阈值你将新观察分类为1而不是0，不再是统计的一部分。这是决策部分的一部分。
