置信度阈值怎么调：在误报与漏报之间找平衡

模型交付时我们常被问"准确率多少"，但真正决定线上体验的往往是另一个参数：置信度阈值。它不改变模型本身，却直接决定告警是"多而吵"还是"少而漏"。这篇讲清它在调什么、怎么调。

阈值在调什么

模型对每个识别结果输出一个置信度（0~1）。阈值定在 0.5 意味着"模型有五成以上把握才告警"。把阈值调高，告警更少更确定——误报（把正常判为违规）减少，漏报（违规没被发现）增加；调低则反过来。精度与召回永远在跷跷板两端，阈值就是把跷跷板拨到业务想要的位置。

误报与漏报的代价不对等

调阈值前先回答一个问题：这里误报和漏报，哪个代价更大？

• 明火检测：漏报代价是火灾——宁可误报，阈值往低调，误报由人工确认消化；
• 着装合规：漏报一次扣分、误报打扰一次——两边都不致命，取平衡点，重在去重与分级推送；
• 自动拦截类（识别后直接自动执行动作）：误报会直接伤害业务——阈值往高调，拿不准的交给人工复核。

同一个模型在不同场景的最优阈值不同，交付时给的是"起点"而非"终点"。

四步调参法

1. 拉一份线上输出：把试运行期模型的原始置信度导出（平台接口可直接取），按"实际对错"标注；
2. 画分布找断层：误报与正确告警的置信度通常分布在两个区域，中间有低谷——低谷就是天然分界线；
3. 按代价定初值：漏报代价大的场景把阈值压到低谷偏下，误报代价大的提到偏上；
4. 小流量验证一周：观察每日误报数与漏报数（回查录像），微调 0.02~0.05 步进，直到值班人员"不再抱怨也不再漏"。

分区、分时段与去重

阈值之外，三个工程手段能进一步压误报：检测区域——只识别画面中真正关心的区域（灶台而非整个后厨），把告警源掐掉一半；分时段策略——营业时段关掉"人员出现"类识别、夜间才全量布防，同一路摄像头不同时段干不同的活；去重窗口——同一目标同一违规 N 分钟内只推一次，连续抓拍不再刷屏。多数"AI 误报多"的抱怨，答案都在这三件事里而不是模型里。

上线后的持续监控

阈值不是一次性参数。建议每周看两个数：误报数（值班人员体感）与抽检漏报数（回查录像）。环境变化（换灯、季节性光照、新增设备）会让旧阈值失效——这也是模型需要例行回流迭代的原因之一。阈值调整与模型迭代一样，都要留记录：改了多少、为什么改、效果如何。

两个常见误区

误区一：用模型训练指标选阈值。验证集上的最优阈值来自"平均分布"的图，线上画面的光照与目标占比分布不同，最优值常常偏移 0.1~0.2。阈值必须用线上输出调，不能用训练报告调。误区二：一刀切。同一模型在不同通道、不同时段可以各有一套阈值——低光通道整体下调、重要区域整体上调。平台支持按通道配置阈值与去重窗口，把"一个模型、多套策略"用起来，是精度之外最大的免费收益。

延伸阅读：从 badcase 到新版本、分类还是检测。