양성 확률 0.5가 아닌 임계값을 쓸 때 로짓과 판정은 어떻게 나누나요?

모델은 먼저 z=wᵀx+b라는 연속 로짓을 만들고, 필요할 때 p=sigmoid(z)로 표현한 뒤 정책이 판정을 정합니다. 확률 임계값 t와 동등한 로짓 경계는 log(t/(1-t))입니다. 예를 들어 t=.2이면 경계가 약 -1.386이므로 z=-1.2는 양성 행동, z=-2는 음성 행동입니다. 이는 모델을 재학습한 것이 아니라 같은 score에 더 민감한 행동 경계를 적용한 것입니다. 미탐 비용이나 검토 용량을 반영할 threshold는 train loss가 아니라 validation에서 TP·FP·FN·TN과 비용을 비교해 고르고, test에서는 고정합니다. 확률이 보정되지 않았다면 .8을 실제 양성 확률 80%로 읽지 말고 calibration을 별도로 확인합니다.

실무적으로는 threshold를 고르는 자료의 분포도 확인해야 합니다. 예를 들어 validation에서 z=-2,-1.5,-1,0,1이고 정답이 [0,1,1,0,1]이라면 .5 경계는 z≥0 두 건만 양성으로 잡지만 .2 경계는 z≥-1.386인 세 건을 잡습니다. 추가된 z=-1 사례가 양성이면 FN 하나를 줄이고, 음성이면 FP 하나와 검토 비용을 늘립니다. 여기서 threshold를 낮춘 결과를 “모델이 더 정확해졌다”고 말하면 안 되고, 같은 ranking에 정책 비용을 적용한 결과라고 말해야 합니다. 모델을 바꿔 score 분포가 이동하면 예전 경계를 재사용하지 않고 validation에서 다시 고릅니다.

운영 큐가 하루 100건으로 제한되면 threshold를 낮춰 양성을 많이 잡는 대신 queue가 넘치는 지점을 찾고, 그 안에서 FN 비용과 FP 처리 비용을 비교합니다. score가 같은 두 사례를 임의로 나누지 않도록 tie 규칙과 경계 포함 여부(≥인지 > 인지)도 artifact에 고정합니다.