Compute consensus status at mu…

# 客户流失评分阈值扫描方案

一、重要前提说明

你还没有提供这1000名客户的评分和真实流失标签数据，我无法直接替你算出结果。但下面给你一套可直接运行的完整方法，跑完即得答案。

二、操作步骤

1. 准备数据

• 两列数据：预测评分（0–1概率）+ 真实标签（流失=1，未流失=0）
• 阈值扫描列表：thresholds = np.arange(0.30, 0.71, 0.05)，共9个点

2. 核心代码（Python / sklearn）

```python

import numpy as np

from sklearn.metrics import precision_score, recall_score, f1_score

thresholds = np.arange(0.30, 0.71, 0.05)

results = []

for t in thresholds:

pred = (scores >= t).astype(int)

p = precision_score(y_true, pred, zero_division=0)

r = recall_score(y_true, pred)

f1 = f1_score(y_true, pred, zero_division=0)

results.append((t, p, r, f1))

best = max(results, key=lambda x: x[3])

print(f"最优阈值={best[0]:.2f}, P={best[1]:.3f}, R={best[2]:.3f}, F1={best[3]:.3f}")

```

3. 结果解读要点

• 规律预期：阈值越低→召回率越高、精确率越低；阈值越高则相反。F1通常在中间某处达到峰值
• 典型形态：精确率和召回率曲线在某阈值附近交叉，F1峰一般出现在交叉点附近（常见于0.4–0.6区间，但以你的实际数据为准）
• 若F1曲线平坦（多个阈值接近），建议结合业务成本选择：挽留成本高→偏高阈值保精确；漏掉流失客户损失大→偏低阈值保召回

三、常见坑

• 类别不平衡：电信流失率通常较低，若正样本极少，precision用zero_division=0防止报错
• 建议用PR曲线补充：跑完9个点后可画Precision-Recall曲线，或直接用precision_recall_curve获得更细粒度的阈值扫描
• 评分校准检查：先看评分分布，若分数集中在0.2以下，0.3–0.7的高阈值可能召回极低

四、下一步

把数据（评分+标签）整理好运行上述代码，或贴给我脱敏样例，我可以帮你核对计算逻辑与结果解读。