---
title: "決策閾值（Decision Threshold）"
slug: decision-threshold
language: zh-TW
source: https://aiterms.tw/terms/decision-threshold
updated_at: 2026-06-22
tags: [分類問題, 模型評估, 機器學習, iPAS]
ipas_term: false
---

# 決策閾值（Decision Threshold）

二元分類器將預測機率轉換為類別標籤時使用的臨界值，通常預設為 0.5，但可調整以平衡精確率、召回率等不同業務目標。

## 完整說明

決策閾值（Decision Threshold）是分類模型中將連續機率輸出轉換為離散類別標籤的界線。若模型輸出機率 p > threshold，預測為正類，否則為負類。調整閾值會影響真陽性率、假陽性率等指標的平衡，使同一個模型適應不同的業務需求（如醫療診斷偏向高召回、詐欺過濾偏向高精確率）。

## 常見問題

### 如何系統地選擇最佳決策閾值？

系統化閾值選擇的步驟：一、在驗證集上計算所有閾值（如 0.01 到 0.99 步進 0.01）對應的精確率、召回率、F1 等指標，繪製 PR 曲線和 ROC 曲線；二、根據業務需求選擇目標指標（最大化 F1、或在指定召回率下最大化精確率）；三、考慮業務成本（假陰性 vs 假陽性的代價比），選擇使期望總成本最小的閾值；四、在測試集驗證選定閾值的性能；五、上線後持續監控，若業務目標變更或資料分布漂移則重新調整。

### 同一個模型能否對不同使用者群設置不同閾值？

可以，這是公平性和個人化調整的常見做法。公平性角度：若模型對不同人口族群的預測分布不同，為各族群設置不同閾值可使各族群的真陽性率（TPR）或假陽性率（FPR）保持相等（均等機率 Equalized Odds 的後處理實現）。個人化角度：高風險用戶（如醫療高危族群）設置低閾值進行主動干預，普通用戶設置較高閾值以減少不必要打擾。這需要在部署系統中建立按族群的閾值配置管理機制。

### 類別不平衡時決策閾值應如何設置？

類別嚴重不平衡（如詐欺率 0.1%）時，使用默認閾值 0.5 往往使模型預測幾乎所有樣本為負類（準確率 99.9% 但無任何實際用途）。調整思路：以 PR 曲線（非 ROC 曲線，後者在不平衡場景可能misleading）選擇閾值；考慮設置閾值使正類預測數量與業務處理能力匹配（如每天只能人工審核 100 筆詐欺警報，就選使每日觸發恰好 100 次的閾值）；可使用過採樣/欠採樣調整類別比例，或使用類別加權損失，再配合閾值調整。

---

來源：https://aiterms.tw/terms/decision-threshold
快查頁：https://aiterms.tw/terms/decision-threshold
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-decision-threshold