概率没变而标签变了：分类阈值处在分数之后

分类结果中，一份记录保存概率，另一份记录只保存类别，两者表达的信息量并不相同。scikit-learn 1.5.2的决策阈值指南先把问题分为两部分：学习一个模型来估计类别概率，以及根据估计形成一个决定。它用“明天下雨的可能性有多大”和“明天是否带伞”作对照。前一个问题给出不确定程度，后一个问题需要落到某个类别或行动，两者之间还存在规则。

在该版本的API说明里，predict_proba返回各类别的条件概率估计，decision_function返回决策分数，而predict产生类别标签。概率与分数在文档中分别命名，不能把任何decision_function数值都直接抄成百分比。标签则进一步将这些连续或有序的信息映射为某个类别；一条类别记录不会自动保留原来距离分界线有多远。

指南为二分类写明默认截断规则：条件概率大于零点五时预测正类，或决策分数大于零时预测正类。这里的零点五与零分别属于两种输出尺度，不是同一个单位里的两个备选阈值。文档说明的是默认行为，本文没有替任何真实任务选择阈值，也不把默认值改写成所有应用都应该采用的标准。多分类的具体处理亦不由这段二分类说明推演。

可以构造一个只解释映射关系的假设：某个样本的正类概率始终是零点四。若比较“超过零点五”和“超过零点三”两条规则，它在前一条规则下不属于正类，在后一条规则下属于正类。概率并没有在这个假设中变化，改变的是分界规则。这个例子不是训练结果，没有计算模型准确率，也没有证明较低阈值更好；它仅展示一份相同输入为何能对应不同标签。

正式指南也明确描述了同类关系：原分类器与改变阈值后的分类器可以给出相同的predict_proba输出，因此对应相同的ROC与Precision-Recall曲线，但类别预测不同。本文采用的是这段文字关系，没有从配图读取模型优劣或数值。曲线依据的分数信息，与某一个截断点形成的类别输出，不能在摘要里合并为一句“预测完全相同”。

对AI开发资料而言，说明结果变化时，应先找准变化所在的环节：概率估计发生变化，还是同一估计被另一条标签规则解释。两种变化可能影响不同记录，不能仅凭类别不同就宣称模型已经重新学习；反过来，概率文件一致也不足以证明最终类别必然一致。这里提出的是阅读结果的顺序，没有检验任何业务模型或真实数据。

本篇限定1.5.2指南的输出定义、二分类默认规则和同概率不同标签的说明，首次发布日期未确认。来源中的医疗与保险情境、效用优化数值以及阈值训练步骤均未采用。区分估计与决定，是让实验报告准确说明它比较了什么，不是由一份术语资料替实际系统完成可靠性、校准或部署评价。