企业官网建设流程全解析

模型 AUC 0.86，业务方按 0.7 的概率阈值圈了一批人去做触达，结果实际转化只有四成——这个场景我遇到过不止一次。头一回碰到时，我按惯例排查特征、样本、标签，两天下来什么都没查出来，直到把预测概率分箱、和真实正例率画在同一张图上，问题才现形：模型在 0.6 到 0.9 这个区间里，给出的概率系统性高出真实值 20 个百分点左右。排序是对的，刻度是歪的。这就是校准曲线（也叫可靠性图）要暴露的问题：它衡量的不是模型能不能把好人排在坏人前面，而是模型说“80%”的时候，是不是真有 80%。校准曲线异常带来的数据偏差，往往不会体现在 AUC、KS 这些只看排序的指标上，所以极易被漏掉，但一旦下游拿概率做阈值决策、做成本核算、做预算分配，偏差就会被直接放大成业务损失。这篇内容适合三类人看：正在用概率输出做决策的算法同学、被业务方追问“为什么预测 80% 实际只有 50%”的分析同学，以及想搞清楚校准这件事到底该怎么落地的新手。下面这 7 种方法，是我这些年反复用、并且踩过坑的整理，按“先定位、再修复”的顺序展开。

1. 校准曲线的横纵轴到底在画什么

很多人第一次看可靠性图，会把它和 ROC 曲线搞混。ROC 的横轴是假正率、纵轴是真正率，画的是排序能力；可靠性图的横轴是模型给出的预测概率，纵轴是这一档概率里的真实正例率，画的是刻度准确性。两件事完全不同，一个模型可以 AUC 极高但校准极差，也可以校准不错但区分度平平。

1.1 对角线、置信区间与“看得见的偏差”

画法很直接：把样本按预测概率排序，切成若干个箱，每箱算两个数——平均预测概率（置信度）和真实正例率（准确率），然后以置信度为横轴、准确率为纵轴打点。如果模型完全校准，所有点都应该落在那条 45 度对角线上。点在对角线上方，说明模型在这一档低估了正例率；点在下方，说明高估了。

这里有个特别容易被忽略的细节：每个箱要画置信区间。我见过太多人拿着只有 30 个样本的箱，指着 8 个百分点的偏离说“模型严重失准”，实际上二项分布的 95% 置信区间宽度就有 ±15 个百分点，这点偏离完全在噪声范围内。稳妥的做法是给每个箱加 bootstrap 置信区间，或者干脆用 Wilson 区间，只有整条曲线系统性偏离、且多个箱的区间都不覆盖对角线，才算真异常。

提示：分箱之后一定要同时看箱内样本量。一个箱只有几十个样本时，纵轴的波动主要来自抽样噪声，不是模型问题。

1.2 五种典型形状对应五类病因

校准曲线的形状是有“指纹”的，看形状基本能猜到大方向。下面这张表是我自己总结的对照，实际排查时命中率挺高：

整体平移这一类最常见，也最容易被误判成“模型不行”。实际上模型可能一点问题没有，是你训练时做了 1:5 的负采样，把先验从 20% 改成了 50%，输出概率自然整体偏高。这种情况根本不需要换模型，一个公式就能修回来，后面第 3 章会讲。

Sigmoid 形在树模型上尤其常见。随机森林的“概率”本质上是叶子节点里正例的比例再取平均，这个值天然会被拉向中间；梯度提升树虽然用对数损失训练，理论上校准性不错，但一旦加上强正则、早停、或者样本权重，也会跑偏。神经网络则是另一个极端，交叉熵训练加上足够的容量，很容易变得过度自信——预测 0.99 的样本实际正例率可能只有 0.85。

1.3 校准度和区分度是两把不同的尺子

我用一个生活化的类比解释这件事：一把尺子的刻度歪了，但它的刻度间距还是均匀的，量两根棍子谁长谁短依然准确，只是读出来的“15 厘米”实际是 12 厘米。校准度就是刻度准不准，区分度就是能不能比出长短。

这个区分直接决定你该关注哪个指标。AUC、KS、召回率@K 这些只看排序的指标，对任何单调变换都不敏感——你把所有概率开平方、取对数、做保序回归，AUC 一个数都不会变。所以校准异常在 AUC 上是完全隐身的。反过来，LogLoss、Brier Score 这两个指标同时吃排序和校准，校准一歪它们立刻变差。实际工作中我一般这么配：离线评估看 AUC 确认区分度没退化，看 Brier 和 ECE 确认校准，两个都过关才敢上线。

顺带说一句，如果你做的是实验测量里的标准曲线（浓度-响应那条），逻辑是相通的：先看残差分布，再看线性范围，最后才决定是重新拟合还是缩小量程。本质都是“读数”和“真值”的关系出了系统性问题，而不是随机误差。

2. 先分清是数据侧的问题还是模型侧的问题

我见过最常见的错误操作，是画完可靠性图发现曲线弯了，转头就上CalibratedClassifierCV，一顿操作猛如虎，校准曲线是好看了，结果业务阈值全线崩盘。原因很简单：如果偏差的根源是训练集和线上人群的先验不一致，你在验证集上拟合出来的校准器，学的其实是验证集的那个先验，换个人群照样偏。所以在动手修之前，得先把病因定位清楚。

2.1 用 ECE 和 Brier 分解把“感觉偏”变成“偏多少”

肉眼看出“偏”不够，得量化。最常用的是期望校准误差 ECE，计算方式是按置信度分箱，算每箱的 |置信度 − 准确率|，再按样本量加权平均。配套再看一个 MCE（最大校准误差），它反映最差那一箱偏了多少，对极端档敏感。

import numpy as np import pandas as pd def ece_mce(y_true, y_prob, n_bins=15): df = pd.DataFrame({"y": np.asarray(y_true), "p": np.asarray(y_prob)}) # 等频分箱，避免高概率区间样本过少导致 ECE 虚高 df["bin"] = pd.qcut(df["p"], q=n_bins, duplicates="drop") g = df.groupby("bin", observed=True).agg( n=("y", "size"), conf=("p", "mean"), acc=("y", "mean"), ) g["gap"] = (g["conf"] - g["acc"]).abs() ece = (g["n"] / len(df) * g["gap"]).sum() mce = g["gap"].max() return float(ece), float(mce), g.reset_index() ece, mce, table = ece_mce(y_val, p_val, n_bins=15) print(f"ECE={ece:.4f} MCE={mce:.4f}")

ECE 的判断标准没有绝对门槛，得看业务。做风控、医疗这类对概率精度敏感的，ECE 控制在 0.02 以内比较稳；做营销圈人这种只需要大致分档的，0.05 以内通常够用。我一般会同时报三个数：ECE、MCE、Brier，因为 ECE 对分箱数和分箱方式很敏感，单看一个数容易被误导。

更进一步可以做 Brier 分解，把 Brier Score 拆成可靠性、分辨率、不确定性三部分。可靠性那一项就是校准误差的平方形式，分辨率反映模型把人群拉开差距的能力，不确定性只跟基础正例率有关、跟模型无关。分解之后你能明确知道：Brier 变差到底是校准变差了，还是人群本身的正例率变了。

2.2 分箱数选错，能凭空造出一条“异常曲线”

这算是校准排查里的经典坑。分箱太少（比如只切 5 箱），曲线会非常平滑，小偏差被抹平，漏报；分箱太多（比如 50 箱），每箱就几十个样本，纵轴抖得厉害，误报。我自己的习惯是默认 15 个等频箱，然后跑一遍 10、15、20、30 的敏感性检查，如果不同分箱数下曲线形状大体一致，那偏差是真实的；如果只在某一个分箱数下才显得离谱，八成是噪声。

等宽和等频的取舍也值得说。等宽分箱在 0 到 0.05、0.95 到 1 这两段样本极稀少，一个样本就能让准确率从 0 跳到 1，画出来的曲线两端乱飞。等频分箱保证每箱样本量一致，代价是箱的边界不均匀、不好解释。我一般用等频画图做诊断，用等宽做汇报展示，两套都留着。

2.3 切片看漂移：整体正常不代表局部正常

整体 ECE 0.03，看起来挺健康，但按渠道拆开一看，某个渠道的 ECE 有 0.15——这种“辛普森悖论”式的现象在校准上太常见了。因为整体校准良好有可能是不同方向的偏差互相抵消出来的假象。

我固定会做的切片维度有这么几个：时间（按月看，新模型上线后第三个月开始漂的案例我遇到过）、渠道或来源（不同来源的样本采集方式不同，先验差异巨大）、关键分段（新客/老客、高低价值）、以及模型分数的粗分档。切完之后按 ECE 排个序，优先排查样本量够大、ECE 又高的那几片。这一步做完，基本能判断偏差是全局性的还是局部性的——全局性问题用校准器修，局部性问题往往得回到数据侧，或者干脆分群建模。

3. 方法一与方法二：先修正先验，再谈算法

如果定位结论是“整体平移”型偏差，也就是曲线整体平行于对角线但差了一截，那大概率是训练集的类别分布和线上不一致。这种情况下，上任何复杂校准器都是杀鸡用牛刀，而且会引入不必要的过拟合风险。在训练集上做负采样、正负样本加权、或者用分层采样改变比例，都会改变模型学到的先验。

3.1 先验修正的公式推导与适用边界

推导其实很简单。模型学到的是“在训练分布下的后验概率”，而我们要的是“在目标分布下的后验概率”。假设类条件概率 P(x|y) 在两个分布下不变（这是关键假设），那么两个后验的几率之比，就等于两个先验的几率之比：

把训练集正例率记作 π_s，目标人群正例率记作 π_t，模型输出的概率是 p_s，那么修正后的概率满足：

odds_t = odds_s × [π_t / (1 − π_t)] ÷ [π_s / (1 − π_s)]

换算成概率就是 p_t = odds_t / (1 + odds_t)。落到代码上短得可怜：

import numpy as np def prior_correction(p, pi_src, pi_tgt, eps=1e-6): p = np.clip(p, eps, 1 - eps) odds = p / (1 - p) factor = (pi_tgt / (1 - pi_tgt)) / (pi_src / (1 - pi_src)) odds_new = odds * factor return odds_new / (1 + odds_new) # 训练时做了 1:5 负采样，实际线上正例率 20% p_fixed = prior_correction(p_raw, pi_src=1/6, pi_tgt=0.20)

这个方法的优点是零参数、零过拟合风险、可解释性极强，业务方一听就懂。缺点也很明显：它严格依赖“类条件分布不变”这个假设。如果负采样不是随机采的，而是按某种规则筛掉的（比如筛掉了容易区分的样本），那 P(x|y) 就变了，公式会失准。所以我一般会把它当作第一道筛子：先用公式修一版，再看校准曲线还剩多少偏差，剩下的交给后面的方法处理。

这里有个具体的坑要提醒：负采样和样本加权不是一回事。做过采样（SMOTE 之类）之后再套先验修正公式，往往修过头，因为合成样本改变了局部的类条件分布。遇到这种情况，我更倾向于回到原始数据重新训练，而不是在后期硬修。

3.2 截距平移：样本极少时的保底方案

如果连先验率都不好估，或者你怀疑偏差主要来自模型本身的系统偏移，那可以退一步，只调一个截距参数。做法是把模型的输出先转成 logit，然后加一个常数偏移 b：logit(p_cal) = logit(p_raw) + b，用验证集上的对数损失去优化这一个参数。

只调一个参数的好处是几乎不可能过拟合，哪怕验证集只有几百个样本也能稳住。缺点是它只能修“整体平移”，修不了 Sigmoid 那种两端偏的形状。不过在实操里，这个方法的价值在于快速验证假设：如果加一个截距之后 ECE 从 0.12 掉到 0.03，说明偏差确实主要来自整体偏移，你就可以放心地去查先验问题了，而不用去动模型结构。

我通常的做法是先画一张“修正前后对比图”：原始曲线、先验修正后、截距平移后三条叠在一起。哪条最贴对角线，就说明哪种病因最可能。这个对比图比任何指标都直观，拿去跟业务方沟通也省事。

4. 方法三到方法五：三种后处理校准器的取舍

后处理校准器的思路是：模型不动，在它输出的分数和真实标签之间再学一个映射函数。好处是通用、不需要重训、对任何模型都能用；坏处是需要一份独立的、足够大的验证集，而且这份验证集必须和线上分布一致，否则学出来的映射是错的。

4.1 Platt Scaling：小样本下的稳妥选择

Platt Scaling 假设分数和概率之间是 Sigmoid 关系，用逻辑回归在验证集上拟合两个参数 A 和 B，使得 p_cal = 1 / (1 + exp(A·f + B))，其中 f 是模型的原始分数（分类模型通常取 logit，SVM 取 decision_function 值）。用对数损失优化就行。

import numpy as np from sklearn.linear_model import LogisticRegression class PlattCalibrator: def __init__(self, C=1e6): self.lr = LogisticRegression(C=C, solver="lbfgs", max_iter=1000) @staticmethod def _to_logit(p, eps=1e-6): p = np.clip(p, eps, 1 - eps) return np.log(p / (1 - p)).reshape(-1, 1) def fit(self, p_val, y_val): self.lr.fit(self._to_logit(p_val), y_val) return self def predict(self, p): return self.lr.predict_proba(self._to_logit(p))[:, 1]

要注意 C 设得很大（近似无正则），因为这里只有两个参数，正则化反而会让映射偏向 0.5。原始论文里还提了一个细节：训练标签做一点平滑处理，正例用 (N₊+1)/(N₊+2)、负例用 1/(N₋+2)，目的是防止在可分数据上参数发散。sklearn 内部的实现也参考了这个思路，自己手写的时候值得加上。

Platt 的适用场景很明确：验证集样本量中等（几千条量级）、偏差形状接近 Sigmoid、需要一个稳定不易过拟合的方案。它的短板是形状被写死了，如果真实偏差是阶梯状或者非对称的，它拟合不出来。

4.2 Isotonic Regression：样本充足时的首选，也是最容易过拟合的那个

保序回归不预设任何形状，只要求映射函数单调不减，用 PAVA 算法在验证集上做分段常数的拟合。理论上限很高，实际用起来坑也最多。

from sklearn.isotonic import IsotonicRegression iso = IsotonicRegression(out_of_bounds="clip", y_min=0.0, y_max=1.0) iso.fit(p_val, y_val) p_cal = iso.predict(p_test)

第一个坑是样本量。经验上验证集少于 1000 条就别用保序回归了，它会把噪声也学进去，在测试集上表现反而不如 Platt。我自己的门槛是：验证集正例数至少 500，总样本至少 5000，才考虑用。低于这个数，宁可老老实实用 Platt。

第二个坑是外推。保序回归在训练区间之外是常数，out_of_bounds="clip"会把它截断到边界值。这意味着线上出现一个比验证集最高分还高的预测时，校准后的概率会被摁在同一个值上，极端档彻底失去区分度。做风控这类极端样本很重要的场景，我会在两端手动做线性外推，或者干脆把校准区间限制在 [0.02, 0.98]，超出的走单独逻辑。

第三个坑是验证集和线上分布不一致。保序回归学的是一个分段映射，分段边界完全由验证集的样本分布决定。如果线上人群结构变了，这些边界就全错位了。所以用它之前，务必确认验证集是随机划分的、和线上同分布。

4.3 Temperature Scaling：多分类场景的默认解

二分类可以用上面两个，多分类就麻烦了，总不能对每个类别单独校准（会破坏概率和为 1 的约束）。这时候温度缩放是最省事的选择：把模型输出的 logits 除以一个标量温度 T，再过 softmax，用验证集的交叉熵优化 T 这一个参数。

import torch import torch.nn as nn class TemperatureScaler(nn.Module): def __init__(self, init_T=1.5): super().__init__() self.T = nn.Parameter(torch.tensor([init_T])) def forward(self, logits): return logits / self.T.clamp(min=1e-2) # 用法示意 # scaler = TemperatureScaler().to(device) # optimizer = torch.optim.LBFGS(scaler.parameters(), lr=0.1, max_iter=100) # loss_fn = nn.CrossEntropyLoss()

只有 T 一个参数，几乎不可能过拟合，这是它最大的优势。T > 1 会把概率分布压平（缓解过度自信），T < 1 会锐化（缓解自信不足）。神经网络在验证集上几乎总是过度自信，所以 T 通常大于 1，实测下来 1.2 到 2.5 之间比较常见。

它的局限也很清楚：只做全局缩放，不改变各类别之间的相对大小，所以它能修“整体太自信 / 太不自信”，修不了“某一类系统性偏高”这种类间不对称的偏差。真要处理类间偏差，得用向量缩放（每个类别一个温度）或者矩阵缩放，但参数一多，过拟合风险就上来了。

5. 方法六与方法七：从映射函数回到数据本身

前面五种方法都是在“输出端”做文章，模型和数据一点没动。但有些偏差的根子在数据里，光修输出是治标不治本。这一章讲的两种方法，一个是换一种更灵活的参数化映射，另一个是回到数据侧动手。

5.1 Beta 校准：三个参数拟合更复杂的形状

Beta 校准的思路是把校准函数定义在 logit 空间里，用 log(p) 和 log(1−p) 的线性组合来构造：

logit(p_cal) = c + a · log(p) − b · log(1 − p)

三个参数 a、b、c，比 Platt 多一个，但比保序回归稳定得多。它的好处是能拟合出非对称的 S 形——这一点很关键，因为我前面说过，树模型的偏差经常是不对称的：高概率端偏得多，低概率端偏得少。Platt 的对称 Sigmoid 拟不出来，Beta 校准能。

参数的含义也直观：a 控制低概率端的弯曲程度，b 控制高概率端，c 控制整体平移。当 a = b = 1 且 c = 0 时，映射退化成恒等。实际拟合的时候加一点正则、把参数约束在合理区间内，效果会更稳。我用它的场景通常是：验证集样本量在 2000 到 5000 之间，Platt 拟合不足、保序回归又怕过拟合，这个中间地带 Beta 校准刚好补位。

它的短板是实现比前两个麻烦，没有现成的 sklearn 接口，得自己写优化目标（本质是一个带约束的极大似然）。如果你的技术栈里没有现成实现，收益未必抵得上自己造轮子的时间成本，那就老老实实用 Platt 或者保序回归。

5.2 数据侧修复：标签清洗、切片重训与时间衰减

这是 7 种方法里唯一一个“不修概率、修数据”的。触发条件很明确：当你做了切片分析，发现偏差集中在某几个局部群体，而不是全局性的，那校准器基本无能为力——你没法给不同人群用不同的映射函数还指望它稳定。

具体做三件事。第一，查标签噪声。高概率档被判定为负例的样本，我一般会抽样人工看一眼，很多时候是标签延迟或者埋点错误。标签延迟在校准上的表现特别有迷惑性：转化周期长，样本观察窗口不够，早期的正例还没发生就被标成了负例，导致模型在高分段被系统性“低估”。修法是把观察窗口拉长，或者对未成熟样本做加权。第二，切片重训。对偏差严重的那个分组，单独看它的特征分布和全局差在哪，如果是特征缺失率不同、采集方式不同，考虑分群建模或者加分组特征。第三，时间衰减。如果偏差是随上线时间逐渐出现的，说明数据分布漂移了，给近期样本更高权重重训往往比任何校准器都管用。

我把这 7 种方法汇总成一张表，方便对着场景选：

6. 校准器本身要不要做交叉验证

这个问题我被问过很多次，答案是：必须做，而且做法和你想的可能不一样。校准器是在验证集上拟合的，如果把同一份数据既用来拟合校准器、又用来评估效果，那你看到的 ECE 一定是偏乐观的——校准器已经把这份数据的噪声拟合进去了，报出来的数字好看是必然的。

6.1 三层数据划分与嵌套交叉验证的落地写法

最干净的做法是三层划分：训练集训模型、校准集训校准器、测试集只评估一次。三段比例按样本量调整，样本充足时 60/20/20 比较常见；样本紧张时可以退成 70/30，把训练和校准合并，但测试集必须留出来。

from sklearn.model_selection import train_test_split from sklearn.calibration import CalibratedClassifierCV # 第一次切：留出最终测试集，全程不碰 X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) # 第二次切：训练集内部再分模型训练 / 校准 X_fit, X_cal, y_fit, y_cal = train_test_split(X_tr, y_tr, test_size=0.25, stratify=y_tr, random_state=42) base = SomeClassifier().fit(X_fit, y_fit) calibrated = CalibratedClassifierCV(base, method="sigmoid", cv="prefit").fit(X_cal, y_cal) p_te = calibrated.predict_proba(X_te)[:, 1] print(ece_mce(y_te, p_te)[:2])

cv="prefit"这个参数要注意：它表示基础模型已经训练好、不再重训，校准器只在传入的数据上拟合。所以传给它的必须是没参与训练的校准集。有些人把完整训练集传进去，那就等于校准器见过训练数据，报出来的效果全虚。

如果要更严谨，用嵌套交叉验证：外层 K 折做评估，内层每次再切出一份校准集。代价是训练 K 次、校准 K 次，计算量翻 K 倍，但换来的是对校准效果的可靠估计。我在做 final model 定版的时候会跑一次嵌套 CV，日常迭代阶段用单次划分就够了。

6.2 校准之后指标反而变差的四种情况

这是实战中最容易让人怀疑人生的一幕：校准器拟合完了，ECE 从 0.10 降到 0.02，漂亮；但一看业务指标，全线下跌。我整理过四种典型原因。

第一种，验证集太小，校准器过拟合。表现是校准集上 ECE 极低、测试集上反而比不校准还高。判断方法很简单：把数据随机切成两半，各自拟合校准器，看两条映射曲线差多少，差得多就是过拟合了。

第二种，校准人群和线上人群不一致。校准器学的是校准集那份数据的先验，线上人群先验不同，校准结果自然偏。这个坑最隐蔽，因为所有离线指标都是好的。

第三种，概率本身就没意义。有些模型的输出压根不是概率，比如 SVM 的 decision_function、或者手工拼出来的加权评分。对这类分数做校准，等于强行给一个没有概率语义的东西赋予概率语义，短期看曲线贴上了，长期一定出问题。正确的做法是先确认模型输出的是不是概率，不是的话要么换模型，要么用 Platt 从头建立映射并明确标注这是“伪概率”。

第四种，下游阈值没跟着调。校准是一个单调变换，它会改变概率的绝对值，但业务侧的阈值往往是拍脑袋定的历史值。校准前 0.7 是阈值，校准后 0.7 对应的可能是完全不同的人群规模。我在每次上线校准器的时候，都会把阈值重新标一遍——用校准后的概率，按目标人群比例或者目标成本重新算阈值，而不是沿用旧值。

7. 校准后的概率怎么用：阈值、成本与线上监控

校准做完了不是终点。概率变得“真”了，最大的价值在于它可以被当成真实的期望值参与计算，而这恰恰是很多团队没用起来的地方。

7.1 用校准后的概率做期望成本决策

假设你要决定给哪些用户发优惠券，券成本 20 元，用户转化后毛利 100 元。不校准的时候，模型说 0.3 你可能不敢信；校准之后，0.3 就真的意味着这类人群大约三成会转化。那么期望收益 = 0.3 × 100 − 20 = 10 元，大于 0 就该发。阈值直接变成 20/100 = 0.2，一算就出来，不需要反复调参试。

这种决策方式比“按分数排序取前 10%”科学得多，因为它把成本结构显式化了。而且当成本变化时（比如券面额调整），你只需要重算阈值，模型不用动。这是校准带来的最实际的收益，比 ECE 降了几个点有意义得多。

要注意的是，期望值决策成立的前提是概率校准得足够准，尤其是在阈值附近那一段。所以我做校准的时候，会特意检查阈值上下各 0.1 区间内的校准情况——那里偏 3 个百分点，决策就可能翻盘，而极端档偏一点反而无所谓。

7.2 线上校准漂移怎么监控，阈值怎么定

模型上线后，校准会随着数据分布变化而慢慢漂移，这一点比区分度漂移更隐蔽，因为 AUC 可能一动不动。我的做法是搭一套轻量监控，不需要实时，T+1 就够。

监控指标就三个：预测概率均值 vs 实际正例率（最灵敏，两个数的差就是整体校准偏差）、分箱后的 ECE（看形状变化）、预测概率分布的 PSI（看输入侧有没有漂）。前两个需要等标签回流，第三个不用等标签，可以当天出结果，作为先兆指标。

告警阈值我一般这么设：整体偏差超过 0.05 且持续三天才告警，单箱偏差超过 0.08 且该箱样本量大于 500 才告警。加样本量门槛是为了压掉小样本噪声，我吃过这个亏——一个只有 80 个样本的箱偏了 15 个百分点，半夜把人叫起来排查，最后发现纯属随机波动。

还有一条经验：每次重新训练模型，校准器必须跟着重训。我见过直接复用上一次校准器的做法，结果换了模型之后原始分数的分布完全变了，旧的映射函数套上去，校准曲线反而比不校准还歪。校准器和模型是一对绑定的，版本必须一起走。

最后分享一个我自己踩过的小坑：早期我用保序回归做校准，离线效果极好，上线一周后发现高分段的预测被压成了一片相同的值。查了半天才想起来out_of_bounds="clip"把超出训练区间的分数全截断到了边界。后来改成两端手动线性外推，同时对校准区间做 [0.01, 0.99] 的截断，这个问题就再没出现过。校准这件事，方法论其实不复杂，真正花时间的永远是这些边边角角的实现细节。