Klasifikační práh | AI slovník

Odborná definice

Classification threshold je hranice, která mění spojité skóre nebo odhad pravděpodobnosti binárneho klasifikátora na pozitivně či negativně rozhodnutí. Změna prahu nemění naučené parametry modelu, ale presúva případy mezi štyrmi bunkami binární matice záměn a tím mění profil chyb. Vybírá se na validačních datech podle nákladů, kapacity, regulace nebo cílové metriky. Práh 0,5 není přirozeně optimálny a při nekalibrovanom skóre nemusí znamenat 50 procent reálné pravděpodobnosti.

Srozumitelné vysvětlení

Model podvodu může transakcii pridelit skóre 0,32. Pokud je práh 0,5, platba projde, při prahu 0,2 se zastaví. Nižší hranice zachytí více podvodů, ale zkontroluje i více legitímnych nákupů. Správně nastavení proto vychází z ceny prehliadnutého podvodu, škody z falešného blokování a počtu případů, které zvládne tím preverit. Práh se může lišit podle produktu nebo režimu, ale segmentové pravidla musí být právně a eticky odůvodnené a pravidelne monitorované. Každá změna hranice má mít zaznamenaný důvod, datový podklad a očekávaný dopad.

Časté otázky

Jako práh ovlivňuje precision a recall?

Snížení prahu obvykle označí více případů jako pozitivně, takže recall roste a precision může klesnout. Zvýšení dělá rozhodnutí konzervatívnejším. Přesný vztah se čte z precision-recall nebo ROC krivky na validační sade.

Může se práh nastavit podle kapacity tímu?

Ano. Pokud pracovníci denne preveria 500 alertů, lze zvolit hranici, která při běžném objeme vytvoří podobný počet. Je třeba však sledovat změny distribuce a zabezpečit, aby kapacitné omezení neskrylo neprijatelné riziko.

Je možné mít dva prahy?

Ano. Nízké skóre se automaticky zamietne, vysoké schváli a stredné pásmo jde na manuálnu kontrolu, nebo naopak podle úlohy. Takzvaná grey zone snižuje riziko hraničných případů, ale potřebuje jasný workflow a zpětnou vezbu.

Kdy je třeba práh znovu nastavit?

Po změně modelu, prevalence, nákladů, regulačných požadavků nebo kapacity procesu. Práh vybraný na starej distribuci nemusí udržat stejný počet alertů ani chybovost. Revize má používat čerstvé označené data.

Je skupinovo odlišný práh férový?

Může zlepšit jednu fairness metriku a zároveň zhoršit jinou nebo vytvořit právní problém. Rozhodnutí potřebuje legitimní účel, analýzu dopadů, konzistentní pravidla a doménové posouzení. Technická optimalizace sama neurčuje prípustnost.

Související pojmy

Zdroje a redakční stopa

Google Machine Learning Crash Course, Thresholds and the Confusion Matrix
Google Machine Learning Glossary, Metrics

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.