我已经训练了一个模型并确定了我想在以下部署的'阈值'，但是我很难理解阈值与分数的关系。
X = labeled_data[features].reset_index(drop=True)
Y = np.array(labeled_data['fraud'].reset_index(drop=True))
# (train/test etc.. settle on an acceptable model)
grad_des = SGDClassifier(alpha=alpha_optimum, l1_ratio=l1_optimum, loss='log')
grad_des.fit(X, Y)
score_Y = grad_des.predict_proba(X)
precision, recall, thresholds = precision_recall_curve(Y, score_Y[:,1])
好吧，所以现在我绘制精度并回忆起阈值，并决定我的阈值是.4
什么是阈值？
我的模型系数，我理解是通过计算coefficients['x']*event_values['x']的"评分"事件，总和29。阈值在0到1之间。
我如何理解从阈值到什么的翻译，我猜是一个原始分数？所有功能的1的事件（全部均为二进制）是否具有29个计算得分，因为这是所有系数的总和？
我是否需要计算所有事件的"原始"得分度量，然后在精度而不是阈值的情况下绘制它？
编辑和更新：
正如Mikhail Korobov在下面指出的那样，我的问题取决于对逻辑功能的缺乏理解。不管"原始得分"逻辑函数在[0，1]范围内都迫使值。
为了"解开"该值重新回到我正在寻找的"原始分数"中，我可以做scipy.special.logit(0.8) - grad_des.intercept_，然后返回该行的"分数"。
-
概率不仅仅是
coefficients['x']*event_values['x']-将逻辑函数应用于这些分数，以在[0，1]范围内获取概率值。 -
predition_proba方法返回这些概率；他们在范围[0，1]。
-
要获得一个具体的是/否预测，必须选择一个概率阈值。一种明显的理智方法是使用0.5：如果概率大于0.5，则可以预测"是"，否则预测" nope"。这就是
.predict()方法的作用。 -
precision_recall_curve尝试不同的概率阈值，并为其计算精度和回忆。如果基于精度和召回分数，您认为其他一些阈值对您的应用程序更好，您可以使用它而不是0.5，例如bool_prediction = score_Y[:,1] > threshold。