Как выбирать порог классификации: индекс Юдена, F-beta и матрица стоимости ошибок для бизнеса?

predict() по дефолту режет по 0.5, что почти никогда не оптимально для несбалансированных классов или асимметричных costs. Youden's J = TPR − FPR — максимум на ROC-кривой, симметричный trade-off. F-beta: F-2 даёт больше веса recall (медицина, fraud), F-0.5 — precision (legal, ads). Cost matrix минимизирует ожидаемый бизнес-убыток через argmin E[cost(threshold)]. Подбор делать на отдельном val-fold, не на test.