这不是一个内置的功能。您可以“添加”它，方法是将LogisticRegression类包装在自己的类中，并添加在自定义 predict() 方法中使用的 threshold 属性。

然而，有些人警告说：

1. 默认阈值实际上是0。 LogisticRegression.decision_function() 返回到选定的分离超平面的有符号距离。如果您查看的是 predict_proba() ，那么您将看到超平面距离的 logit() ，阈值为0.5。但计算起来要昂贵得多。
2. 通过选择像这样的“最优”阈值，您正在利用信息后学习，这破坏了您的测试集(即，您的测试或验证集不再提供对样本外错误的无偏见估计)。因此，您可能会导致额外的过度拟合，除非您只选择了一个交叉验证循环内的阈值，然后使用它和您的测试集的训练分类器。
3. 考虑使用 class_weight ，如果您有一个不平衡的问题，而不是手动设置阈值。这将迫使分类器选择远离感兴趣类的超平面。

我想给出一个实际的答案。

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, recall_score, roc_auc_score, precision_score
import numpy as np
X, y = make_classification(
    n_classes=2, class_sep=1.5, weights=[0.9, 0.1],
    n_features=20, n_samples=1000, random_state=10
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
clf = LogisticRegression(class_weight="balanced")
clf.fit(X_train, y_train)