决策阈值（Decision Threshold）是模型把 0 到 1 之间的概率值翻译成“是或否”结论的那条分界线。
分类模型很少直接说“这是垃圾邮件”，它给的是一个分数：这封邮件是垃圾邮件的概率 0.83。要把分数变成动作——拦截或放行——你得画一条线，比如“超过 0.8 就拦”。这条线就是决策阈值。
很多人默认把线画在 0.5，因为 0.5 是概率的中点，看起来最“中立”。但 0.5 只是数学上的中点，不是业务上的最优解。阈值该画在哪，取决于两类错误各自要付多少代价。
打个比方：小区门口的人脸门禁。阈值调低，谁的脸有点像就开门，业主方便，但推销员和陌生人也容易混进来；阈值调高，安全了，可业主戴个帽子、光线差一点就进不了门，只能反复刷脸。门禁该松还是该紧，不取决于“像不像”的算法，而取决于“放错人进来”和“业主被挡在门外”哪个更让你难受。
这就是关键：漏判（False Negative，该拦的没拦）和误判（False Positive，不该拦的拦了）相当于一个跷跷板的两端。把阈值往低调，漏判减少、误判增多；往高调，反过来。你不可能同时把两者都压到零，只能选一个自己更能接受的平衡点。
| 场景 | 漏判的代价 | 误判的代价 | 阈值倾向 |
|---|---|---|---|
| 疾病初筛 | 漏掉病人，耽误治疗 | 多做一次复查 | 偏低，宁可误报 |
| 垃圾邮件过滤 | 一封广告进了收件箱 | 把客户邮件扔进垃圾箱 | 偏高，宁可放过 |
| 信用卡反欺诈 | 盗刷造成真实资金损失 | 给用户打个电话确认 | 偏低，宁可多拦 |
| 内容审核 | 违规内容扩散 | 误删正常帖子 | 看平台风险偏好 |
还要区分清楚阈值和相邻概念。概率是模型给的连续值，阈值是你加的决策规则，两者不是一回事。调阈值也不会改变模型的排序能力：它只是把切点挪了个位置，谁比谁更“像正类”的顺序没变。另外，阈值通常不是训练出来的超参数（Hyperparameter），而是上线前根据业务代价单独定的。
对从业者来说，最实际的一条建议是：别把 0.5 当默认值交付。上线前拉着业务方问清楚：漏一个和错一个，各值多少钱、各有多麻烦？哪怕只是粗粗估个量级，也比拍脑袋用 0.5 强。有些团队会直接算期望损失，把阈值选在总代价最低的点上。
对普通人来说，知道“AI 判定”背后有一条可调的线，就能理解为什么同一个系统在不同场景下表现不一样，也能在遇到误判时问一句：你们的阈值是怎么定的？