概率校准：让预测分数可被信任

分类模型输出的分数常被直接当作概率使用，但很多模型并未经过校准。例如集成模型倾向于输出极端值，导致预测概率与实际频率不符。

校准的目标是让预测为百分之三十的样本中，实际正例比例接近百分之三十。可靠性曲线是直观的诊断工具，曲线越接近对角线校准越好。

常用校准方法有保序回归和 Platt 缩放，前者非参数灵活但需要较多数据，后者假设S形映射，参数少更稳健，适合小样本场景。

注意校准要在独立验证集上拟合，避免用训练集导致过拟合。校准后模型排序能力不变，但概率含义变得可信，可用于预算和出价决策。