很多排序模型只关心顺序，输出的分数并非真实概率。但在广告出价、期望收益计算中，分数的绝对大小直接影响决策，这时必须做概率校准。
校准的目标是让预测概率与真实频率一致：预测 0.1 的样本群里，实际点击率应接近 10%。常用评估工具是可靠性图和 Brier 分数，后者同时衡量校准与区分度。
Platt 缩放用逻辑回归拟合分数到概率的映射，适合 SVM 类输出；保序回归（Isotonic）更灵活，能拟合单调非线性关系，但小样本易过拟合，需配合交叉验证。
负采样会系统性改变先验，训练出的概率偏低，必须按采样率做公式还原。深度模型常用的 focal loss、温度缩放也能间接影响校准，上线前应重新验证。
校准具有数据分布依赖性，模型更新、流量结构变化后都要重新拟合校准器。建议把校准作为独立模块，与主模型解耦，便于监控和迭代。
