---
title: "閾值調整（Threshold Adjustment）"
slug: threshold-adjustment
language: zh-TW
source: https://aiterms.tw/terms/threshold-adjustment
updated_at: 2026-07-30
tags: [模型評估, 機器學習, 最佳化, AI應用]
ipas_term: false
---

# 閾值調整（Threshold Adjustment）

改變分類模型的決策閾值來權衡精確率和召回率的技術，預設閾值通常為 0.5，調整閾值可適應不同業務需求

## 完整說明

閾值調整是二分類模型部署後的常見優化技術。多數分類模型（如邏輯迴歸、神經網絡）輸出的是概率，預設決策閾值為 0.5：概率 ≥ 0.5 預測為正，否則預測為負。但不同業務場景對誤差容忍度不同，需要調整閾值。例如，醫療診斷寧可假陽性多也要減少假陰性，應降低閾值；垃圾郵件檢測寧可放過少量垃圾郵件也要減少誤殺，應提高閾值。閾值調整無須重新訓練模型，只需改變決策規則，是快速、低成本的優化。

## 常見問題

### 如何在沒有驗證集的情況下選擇最優閾值？

沒有驗證集是次優情況，但有幾種實用方法：（1）如果成本信息已知，基於成本函數在訓練集上搜索最優閾值。但這會造成訓練集上性能高估。（2）用分層交叉驗證替代單一驗證集。將訓練資料分成 K 個 fold，每次用其中一個 fold 作驗證，其餘用於優化，計算 K 個 fold 的平均性能。（3）根據業務經驗設置初始閾值，部署後監控性能，動態調整。例如，醫療應用通常起始閾值很低（0.2-0.3），逐步觀察真實誤報率。（4）如果有歷史資料或類似應用的經驗，參考那些設置。總之，沒有驗證集時應謹慎，優先建立驗證集。

### 閾值調整對模型的 AUC 有影響嗎？

沒有影響。AUC（曲線下面積）計算的是模型在所有可能閾值下的平均性能，與特定閾值無關。AUC 的定義是：隨機選一個正樣本和一個負樣本，模型對正樣本的概率預測高於負樣本的概率。AUC 計算涉及所有樣本對，不依賴具體決策邊界。改變閾值改變的是在特定閾值下的精確率、召回率、準確度等點性指標，但不改變整個 ROC 曲線形狀或 AUC。這就是為什麼 AUC 常用於類別不均衡下的評估：它是閾值無關的，公平地評估模型質量。

### 在部署後發現原始閾值不優時，應如何應對？

部署後調整閾值是常見的。步驟是：（1）收集部署後的預測和實際標籤（至少收集 100-500 個樣本）。（2）在這個小數據集上計算不同閾值下的精確率、召回率、F1、成本等指標。（3）根據實際業務指標（如實際誤報率、誤漏率）選擇更優閾值。（4）驗證新閾值在歷史驗證集上的性能，確保沒有退化。（5）逐步上線新閾值，監控實時性能。（6）如果新閾值效果好且穩定，更新生產配置。這個過程應該自動化，定期（如每週）自動評估和優化閾值。許多推薦系統和廣告平台使用動態閾值，根據實時性能自動調整。

---

來源：https://aiterms.tw/terms/threshold-adjustment
快查頁：https://aiterms.tw/terms/threshold-adjustment
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-threshold-adjustment