1. 从一条分界线说起：逻辑回归到底在解决什么问题
线性回归画一条线去拟合连续值，这件事直观、好理解。但现实里有大量问题不是"预测一个数"，而是"判断属于哪一类"——邮件是不是垃圾邮件、用户会不会点击、交易是不是欺诈、零件是不是次品。这时候用线性回归硬套，会遇到两个让人难受的地方：输出值域是负无穷到正无穷，没法解释成概率；损失函数对错分的惩罚不对称，模型会为了迁就少数极端样本把分界线推歪。
逻辑回归干的事情很朴素：先把线性组合的结果塞进一个把实数压到 (0,1) 区间的函数里，再拿这个输出当"属于正类的概率"用。名字里带"回归"，本质是个分类器，这个命名错位劝退过不少人，我第一次看的时候也愣了半天。
它值得花时间啃透，原因不在于它多强，而在于它是整个监督学习的地基。梯度下降怎么推、正则化怎么起作用、特征工程为什么重要、类别不平衡怎么处理、概率校准是什么——这些问题的答案在逻辑回归里都最干净、最容易看清楚。后面上树模型、上神经网络，遇到调参调不动的时候，回头想想逻辑回归里的那些约束，往往能定位到问题。
这篇东西面向两类人：一类是刚学完线性回归、正准备跨进分类门槛的；另一类是用过sklearn.linear_model.LogisticRegression但只知道fit和predict、对里头发生了什么说不清楚的。全文会从假设函数一路推到梯度推导、正则化、阈值选择、工程落地，中间穿插我自己踩过的坑。数学部分我会尽量把每一步的动机讲明白，不搞"显然可得"。
一个提醒：逻辑回归的推导里有很多符号约定上的分歧（比如用 w 还是 θ，正类标 1 还是 +1），不同教材写得不一样。看的时候别纠结符号，盯住形状和维度就行。
2. 假设函数的构造：为什么非得是 sigmoid
2.1 从线性打分到概率输出
先设样本是 $x \in \mathbb{R}^d$，权重 $w \in \mathbb{R}^d$，偏置 $b$。线性部分算的是 $z = w^\top x + b$，这个 $z$ 就是一个"打分"，越大越偏向正类。问题是 $z$ 的取值没有边界，而概率必须卡在 0 到 1 之间。
最直接的念头是做个硬截断：$z>0$ 输出 1，否则输出 0。这个方案在感知机里用过，毛病很致命——它不可导，梯度下降根本没法用。而且在 $z=0$ 附近，样本稍微动一点输出就从 0 跳到 1，模型对噪声毫无容忍度。
换成 sigmoid：
$$\sigma(z) = \frac{1}{1 + e^{-z}}$$
这个函数有几个恰好对症的性质。单调递增，保证打分越高概率越大；值域严格落在 (0,1)，端点取不到但可以无限逼近；处处可导，而且导数形式极简：
$$\sigma'(z) = \sigma(z)\big(1 - \sigma(z)\big)$$
最后这条是整个推导能收得干净的关键。导数可以用函数值本身表示，意味着前向算完输出，反向要导数时直接拿输出相乘就行，不需要重算指数。工程实现上这一点省了很多事。
2.2 换个视角：它其实在对数几率上做线性拟合
很多人把 sigmoid 当成一个"拍脑袋选出来的压缩函数"，其实它有明确的统计来源。定义正类概率 $p = P(y=1 \mid x)$，几率为 $p/(1-p)$，取对数得对数几率（log-odds）：
$$\log\frac{p}{1-p} = w^\top x + b$$
反解出 $p$：
$$p = \frac{1}{1 + e^{-(w^\top x + b)}}$$
所以逻辑回归的真正假设是：特征在对数几率尺度上和标签呈线性关系。这个视角非常有用，它告诉你什么时候该做特征变换——如果某个特征和 log-odds 明显不是线性（比如呈 U 形），那就该加平方项或者做分箱。我见过不少模型效果上不去，不是调参没调好，而是某个关键特征和 log-odds 的关系压根不是线性的，硬塞进去模型学不动。
2.3 决策边界是线性的，但概率面不是
一个常见误解是"逻辑回归只能处理线性可分的问题，所以很弱"。这话对了一半。predict用的决策规则是 $p > 0.5$，等价于 $w^\top x + b > 0$，确实是 $d$ 维空间里的一个超平面。但模型输出的是概率，是一个连续曲面。决策边界是线性的，不代表模型的表达能力只有线性——你可以手工构造多项式特征、交叉特征，把它喂进去，边界依然"线性"，但已经是在变换后的空间里线性了。
我在一个用户流失预测的场景里验证过这一点：原始 20 来个特征直接上逻辑回归，AUC 大概 0.78；加了几个比值特征和"最近 30 天活跃天数"的分箱哑变量之后，同样的模型涨到 0.84。模型没换，换的是特征空间。这也是为什么我始终认为逻辑回归的上限由特征工程决定，下限由数据质量决定，超参数的作用排在后面。
3. 损失函数：极大似然、交叉熵、KL 散度其实是同一件事
3.1 从似然函数推起
设数据集 ${(x_i, y_i)}_{i=1}^n$，$y_i \in {0,1}$，样本独立。单个样本的预测概率可以紧凑写成：
$$P(y_i \mid x_i) = \hat{p}_i^{y_i}(1-\hat{p}_i)^{1-y_i}$$
这个写法看着绕，验算一下就明白：$y_i=1$ 时只剩 $\hat{p}_i$，$y_i=0$ 时只剩 $1-\hat{p}_i$。
取负对数似然：
$$L(w,b) = -\sum_{i=1}^n \Big[ y_i \log \hat{p}_i + (1-y_i)\log(1-\hat{p}_i) \Big]$$
这就是交叉熵。记住这个结论：逻辑回归的损失函数不是人为设计的，是极大似然估计的直接产物。这也解释了为什么用平方损失训练逻辑回归效果差——平方损失对应的是高斯噪声假设，和伯努利分布不匹配，而且配合 sigmoid 会得到一个非凸的优化目标。
3.2 损失函数长什么样，为什么这很重要
交叉熵作为 $\hat{p}$ 的函数，在 $\hat{p} \to y$ 时趋近 0，在 $\hat{p}$ 远离 $y$ 时急剧上升，而且上升速度是无界的。预测"100% 是正类"结果实际是负类，惩罚会非常重。
这个性质带来一个实际影响：逻辑回归对标注错误的样本异常敏感。一条被错误标注的样本，如果特征特别典型（模型本会给出极端概率），它产生的梯度会极大，把整个决策面拽偏。我曾经在一个工业质检数据集上遇到这个问题，几千条样本里混了 3% 左右的错标，模型 AUC 死活卡在 0.85 上不去。清理掉那批脏数据之后直接跳到 0.93。教训是：上模型之前先花时间抽样核对标签，比调参收益高一个数量级。
3.3 交叉熵和平方损失的梯度差异
单样本下，交叉熵对打分的导数有个极其漂亮的形式：
$$\frac{\partial \ell}{\partial z} = \hat{p} - y$$
推导过程留到下一节，这里先看它的含义。误差 = 预测概率 - 真实标签。预测完全正确时梯度为 0；预测错了，梯度正比于偏差程度。这个形式和线性回归里平方损失的梯度形式一样，但来源截然不同。
对比一下平方损失配 sigmoid 的情况：$\ell = \frac{1}{2}(\hat{p}-y)^2$，对 $z$ 求导会多乘一个 $\sigma'(z) = \hat{p}(1-\hat{p})$。当预测错得很离谱时（$\hat{p}$ 接近 0 而 $y=1$），$\sigma'$ 趋近于 0，梯度反而被压没了，学得非常慢。这就是所谓的梯度饱和。这个现象在深层网络里是灾难，在逻辑回归里虽然没那么致命，但依然会拖慢收敛。两个因素叠加——非凸、梯度消失——让平方损失在分类问题上彻底失去竞争力。
| 损失函数 | 对 $z$ 的梯度 | 凸性 | 错分严重时的梯度大小 |
|---|---|---|---|
| 交叉熵 | $\hat{p} - y$ | 凸 | 大，收敛快 |
| 平方损失 | $(\hat{p}-y)\cdot\hat{p}(1-\hat{p})$ | 非凸 | 小，饱和 |
4. 梯度推导：把每一步都拆开算一遍
4.1 从头到底的一次完整求导
很多人会背"梯度是 $(\hat{p}-y)x$"，但推不出来。我从最底层开始，一步步走。
设 $z = w^\top x + b$，$\hat{p} = \sigma(z) = 1/(1+e^{-z})$，单样本损失 $\ell = -[y\log\hat{p} + (1-y)\log(1-\hat{p})]$。
先对 $\hat{p}$ 求导：
$$\frac{\partial \ell}{\partial \hat{p}} = -\frac{y}{\hat{p}} + \frac{1-y}{1-\hat{p}} = \frac{\hat{p}-y}{\hat{p}(1-\hat{p})}$$
再对 $z$ 求导，链条上还差 $\partial \hat{p}/\partial z = \hat{p}(1-\hat{p})$。两者相乘：
$$\frac{\partial \ell}{\partial z} = \frac{\hat{p}-y}{\hat{p}(1-\hat{p})} \cdot \hat{p}(1-\hat{p}) = \hat{p} - y$$
分母恰好被约掉了。这不是巧合，正是选用 sigmoid 配交叉熵的收益，也是工业实现里为什么这两个东西永远成对出现。
最后对参数求导。$\partial z/\partial w = x$，$\partial z/\partial b = 1$，所以：
$$\nabla_w \ell = (\hat{p}-y),x, \qquad \frac{\partial \ell}{\partial b} = \hat{p} - y$$
整批样本累加：
$$\nabla_w L = \sum_{i} (\hat{p}_i - y_i),x_i = X^\top(\hat{p} - y)$$
矩阵形式最后落到 $X^\top(\hat{p}-y)$，形状是 $d \times 1$，和 $w$ 一致。这个表达式的工程意义很重要：梯度计算可以完全向量化，一次矩阵乘法搞定，不需要 Python 循环遍历样本。这也是逻辑回归能在百万级样本上跑得飞快的根本原因。
4.2 凸性：为什么逻辑回归不怕局部最优
交叉熵损失配合 sigmoid，对 $w$ 是严格凸的（在数据不退化的情况下）。验证思路是看 Hessian 矩阵：
$$H = X^\top S X, \qquad S = \text{diag}\big(\hat{p}_i(1-\hat{p}_i)\big)$$
因为 $\hat{p}_i \in (0,1)$，所以 $\hat{p}_i(1-\hat{p}_i) > 0$，$S$ 正定，$H$ 半正定（当 $X$ 列满秩时正定）。结论：损失曲面是一个碗，只有全局最小值，没有局部坑。
这个性质的实际价值在于：你不需要操心初始化。全零初始化、随机初始化，最后都会收敛到同一个解（数值误差范围内）。这和神经网络的处境完全不同。所以看到有人调逻辑回归的随机种子指望提升效果，基本可以判定是在做无用功——除非用了liblinear之外的求解器并且数据本身有共线性问题。
4.3 三种求解器的差异，什么时候该换
sklearn的LogisticRegression有若干个solver可选，实际用起来差异不小：
| solver | 适用场景 | 关键特点 | 备注 |
|---|---|---|---|
lbfgs | 默认，中小规模，L2 | 拟牛顿法，收敛稳 | 不支持 L1 |
liblinear | 小样本，需要 L1 | 坐标下降，单线程 | 大数据慢，不支持 multinomial |
newton-cg | 中小规模，L2 | 牛顿法，二阶信息 | 内存开销高 |
newton-cholesky | 样本数远大于特征数 | 利用结构加速 | 特征数大时不合适 |
sag | 大样本，L2 | 随机平均梯度 | 需标准化特征 |
saga | 大样本，支持 L1/弹性网 | 改进版 SAG | 收敛可能需调max_iter |
我的经验是：默认先lbfgs，需要稀疏解换saga（配 L1），样本几万以内且特征也少的时候liblinear很快。用sag/saga的时候务必先把特征标准化，否则各维尺度差异会让收敛极慢，这一点在文档里写得比较轻描淡写，实际坑很深。我见过有人用saga加未标准化的金额特征（量级上万），跑了十分钟没收敛，标准化后 3 秒完事。
5. 正则化：不是可选项，而是建模的一部分
5.1 L2 为什么能治共线性
加上 L2 惩罚后目标函数变为：
$$J(w) = L(w) + \frac{\lambda}{2}|w|_2^2$$
对应梯度多一项 $\lambda w$。从优化角度看，它把解往原点拉，抑制权重绝对值。
真正关键的作用在共线性场景。假设两个特征几乎完全相关（比如"月收入"和"年收入"），不加正则时，最优解不唯一——把权重在两者之间随意分配，损失函数值都一样，数值求解器会在这些解之间乱跳，权重符号甚至可能一正一负、大得离谱。加了 L2 之后，$|w|^2$ 这一项打破了平局，唯一解会倾向于把权重均摊，解就稳定了。
我在一个信用评分的项目里吃过这个亏：模型离线 AUC 很好，上线后每周重训，同一个特征的系数在 +0.8 和 -1.2 之间反复横跳，业务方看报表直接懵了。后来加上适度的 L2 并统一做特征筛选，系数才稳定下来。如果你需要向非技术方解释模型系数，正则化和共线性处理不是"优化项"，是"可交付的前提"。
5.2 L1 的稀疏性和它的使用边界
L1 惩罚 $\lambda|w|_1$ 的几何解释是菱形约束，最优解容易落在坐标轴上，从而产生精确为零的权重，天然带特征选择功能。特征维度上万、明显只有少数有用时，L1 是合理选择。
但 L1 有两个坑。一是相关特征中它只会随机保留一个，其余全压成零，这在特征高度冗余的场景下会让结果极不稳定，重训一次选出来的特征就换了一批。二是 L1 的解在零点不可导，sklearn里必须用liblinear或saga，lbfgs不支持。
实践中我更常用的是弹性网（penalty='elasticnet'，配saga），用l1_ratio在 L1 和 L2 之间折中。它既保留一定的稀疏性，又不会因为特征相关就只留一个，稳定性好很多。
5.3 C 参数：别搞反了方向
sklearn用的是 $C$ 而不是 $\lambda$，关系是 $C = 1/\lambda$。$C$ 越小，正则越强。这个反直觉的设定坑过不少人——我见过有人觉得"模型过拟合，把 C 调大点压一压"，方向完全搞反了。
调 C 的正确姿势是对数网格搜索，比如[0.001, 0.01, 0.1, 1, 10, 100]，配合交叉验证。观察训练集和验证集的指标差距来判断方向：
- 训练集远好于验证集 → 过拟合 → 减小 C
- 两者都差 → 欠拟合 → 增大 C，或者回头检查特征
一个容易忽略的点：如果你用的是
Pipeline加标准化，正则化的强度会受标准化影响。因为标准化改变了特征的尺度，同样的 C 在不同标准化方案下效果不同。所以调 C 必须在标准化之后、且在同一个 Pipeline 里做交叉验证，否则网格搜索出来的最优 C 换到生产环境会失效。
6. 阈值不是 0.5：概率输出到业务决策的那一段路
6.1 默认阈值的隐含假设
predict()默认用 0.5 切分，这个默认值背后藏着一个假设：两类错误的代价相等。现实中几乎从不成立。
风控场景，漏掉一个欺诈用户的损失可能是误伤一个正常用户的几十倍；疾病筛查，漏诊的代价远高于误诊带来的复查成本。这时候 0.5 就是个很糟糕的选择。
正确做法是拿验证集的概率输出，扫一遍候选阈值，针对业务指标选点。核心工具是混淆矩阵的四个格子：
| 预测正 | 预测负 | |
|---|---|---|
| 实际正 | TP | FN（漏） |
| 实际负 | FP（误伤） | TN |
然后按业务定义代价函数，比如 $C = c_{FN}\cdot FN + c_{FP}\cdot FP$，选让 $C$ 最小的阈值。如果拿不到精确的代价数值，退一步用 F-beta 分数，$\beta > 1$ 偏向召回，$\beta < 1$ 偏向精确率。
6.2 一个具体的阈值选择流程
我在一个内容审核的模拟项目里是这么做的：
- 用 5 折交叉验证拿到每个样本的 out-of-fold 预测概率（必须用 OOF，不能在训练集上取概率，否则严重乐观）
- 在 0 到 1 之间按 0.01 步长扫阈值，对每个阈值算混淆矩阵
- 画出召回率、精确率随阈值变化的曲线，标出业务能接受的最低下限
- 在满足下限的阈值区间里，选让总代价最小的那个
- 把这个阈值固化到推理代码里，并且在配置文件中显式写明，不要用魔法数字
第 5 步很容易被忽略。我见过阈值直接写在代码里、注释都没有的项目，半年后有人重构代码时删掉了那行，模型行为整体偏移，排查了两天才发现问题。
6.3 概率校准：模型输出的"0.9"真的是 90% 吗
逻辑回归的输出常被认为"天然校准良好"，这个说法在模型正确设定时成立，但在以下情况下会失效：用了强正则、特征做了复杂变换、训练集正负比例和真实分布不一致（重采样之后）。
校准的检查方法是画可靠性曲线：把预测概率分桶（比如 10 个桶），横轴是桶的平均预测概率，纵轴是桶内的实际正例率。理想情况是一条对角线。如果曲线在对角线下方，说明模型过于自信。
修正手段有 Platt 校准（本质就是在输出上再套一个一维逻辑回归）和等渗回归（非参数，样本少时容易过拟合）。sklearn里CalibratedClassifierCV直接可用。注意校准必须在独立的验证集上拟合，且要防止数据泄漏。我见过把校准器在训练集上 fit 的写法，校准后的概率看起来非常漂亮，上线后完全不对。
7. 类别不平衡与特征处理：那些决定成败的工程细节
7.1 不平衡不是先调class_weight就完事
正负比 1:100 的时候，模型倾向于全部预测为负类，准确率还有 99%，但毫无用处。常见的三板斧：
第一，换评估指标。准确率在这里是废的，看 AUC、PR-AUC、召回率@固定精确率。PR-AUC 在极度不平衡时比 ROC-AUC 更敏感，我通常两个都看。
第二，class_weight='balanced'。它给少数类的损失乘上 $n/(2n_+)$ 之类的权重，等价于让模型更在意少数类。这个改动很便宜，先试。
第三，调阈值而不是重采样。这是我更推荐的做法。重采样（尤其是过采样）会改变先验分布，导致输出概率不再是真实概率，需要额外校准；而调阈值不改变模型，只改变决策点，副作用小得多。
如果确实要用采样，SMOTE 之类的插值方法要小心：必须在交叉验证的每一折内部做，不能在划分之前对全量数据做。这个泄漏极其隐蔽，指标会虚高一大截。正确写法是把采样器放进imblearn的Pipeline里。
7.2 标准化、缺失值、类别特征的实操顺序
逻辑回归对特征尺度敏感（尤其用梯度类求解器时），标准化基本是必做项。但顺序有讲究：
原始数据 → 缺失值处理（数值型：中位数填充 + 缺失指示变量；类别型：单独一档） → 异常值处理（缩尾 winsorize，或对数变换） → 类别特征编码（低基数 one-hot，高基数用目标编码并做折内拟合） → 标准化（StandardScaler 或 RobustScaler） → 模型几个容易翻车的点：
缺失指示变量很重要。如果缺失本身有信息量（比如"收入未填写"的人违约率显著更高），只做填充会把这个信号抹掉。加一列 0/1 指示变量，让模型自己学。
类别特征用 one-hot 时注意维度爆炸。一个 500 个取值的类别变量 one-hot 之后 500 维，样本才几万条，必然过拟合。这种要么做频次编码，要么把低频类别合并成 "other"。
标准化必须只 fit 在训练集上。这个错误新手常犯——在全量数据上fit_transform然后划分，测试集的统计量泄漏进了训练过程。放进Pipeline就自动避免了：
from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegressionCV pipe = Pipeline([ ("scaler", StandardScaler()), ("clf", LogisticRegressionCV( Cs=[0.001, 0.01, 0.1, 1, 10, 100], cv=5, penalty="l2", solver="lbfgs", scoring="roc_auc", max_iter=2000, class_weight="balanced", )), ]) pipe.fit(X_train, y_train)LogisticRegressionCV相比手写GridSearchCV有个好处：它内部对每个 C 用 warm start 优化，速度快不少。但要注意它的scoring参数必须显式指定，默认用的是准确率，不平衡数据下选出来的 C 会很离谱。
7.3 特征筛选的实用策略
逻辑回归的系数本身有解释性，所以很多人想靠它筛特征。我的建议是不要只看系数绝对值排大小，因为系数受特征尺度影响。要看标准化之后的系数，或者直接看单变量检验的结果。
一套我用得比较顺的流程：
- 先算每个特征和目标的相关性（数值型用点二列相关，类别型用卡方或 IV 值），去掉几乎没有信号的
- 检查特征间的 VIF（方差膨胀因子），超过 10 的考虑删掉或合并
- 用 L1 逻辑回归做一遍粗筛，保留非零系数
- 最后用少量候选特征跑完整 CV，看稳定性
第 2 步的 VIF 检查经常被跳过，但它能提前暴露共线性问题，比模型上线后系数乱跳再回头查要省事得多。
8. 多分类扩展与一个完整的落地示例
8.1 一对多 vs 多项逻辑回归
二分类扩展到 K 类有两条路。
OvR（一对多）：训练 K 个二分类器，第 k 个把"类 k"当正类、其余全当负类，预测时取打分最高的。简单，K 个模型互相独立，可并行。
Softmax（多项逻辑回归）：直接建模 $P(y=k \mid x) = e^{z_k} / \sum_j e^{z_j}$，所有类别的参数联合优化，输出的概率和为 1，理论上更自洽。
什么时候有差别：类别互斥时 Softmax 更合适；类别之间有重叠或层次结构时 OvR 更灵活。sklearn里multi_class参数控制（新版本中部分已被弃用，统一走 multinomial）。类别数很多（比如上百）时 Softmax 的每轮计算开销明显更大，OvR 反而更实用。
8.2 一段可以直接抄的完整流程
下面这段包括数据划分、Pipeline、交叉验证、阈值搜索和概率校准，覆盖前面提到的关键点：
import numpy as np from sklearn.model_selection import train_test_split, StratifiedKFold, cross_val_predict from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.calibration import CalibratedClassifierCV from sklearn.metrics import roc_auc_score, precision_recall_curve X_tr, X_te, y_tr, y_te = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) base = Pipeline([ ("scaler", StandardScaler()), ("clf", LogisticRegression( C=0.5, penalty="l2", solver="lbfgs", class_weight="balanced", max_iter=2000, )), ]) # 用 OOF 概率做阈值搜索，避免在训练集上自欺欺人 cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) oof_prob = cross_val_predict( base, X_tr, y_tr, cv=cv, method="predict_proba" )[:, 1] prec, rec, thr = precision_recall_curve(y_tr, oof_prob) f1 = 2 * prec * rec / np.clip(prec + rec, 1e-12, None) best_thr = thr[np.argmax(f1[:-1])] print(f"OOF AUC: {roc_auc_score(y_tr, oof_prob):.4f}, 最佳阈值: {best_thr:.3f}") # 校准（可选，视可靠性曲线决定是否加） calibrated = CalibratedClassifierCV(base, method="sigmoid", cv=5) calibrated.fit(X_tr, y_tr) test_prob = calibrated.predict_proba(X_te)[:, 1] print(f"测试集 AUC: {roc_auc_score(y_te, test_prob):.4f}")几个细节值得说。stratify=y保证划分后正负比例一致，不平衡数据下不加这个，某折可能几乎没有正例，交叉验证结果完全不可信。cross_val_predict拿的是 OOF 概率，用它搜阈值才可信。precision_recall_curve返回的thr长度比prec、rec少一个，所以np.argmax之后要拿thr[mask[:-1]]的索引，这个 off-by-one 我踩过，报错信息不直观。
8.3 上线之后要盯什么
模型上线不是终点。逻辑回归虽然是白盒，但在实时数据流里依然会漂。
特征漂移是第一优先级。每个特征的分布（均值、分位数、缺失率）每周统计一次，和训练时的基线对比，超出阈值就告警。我用 PSI（群体稳定性指数）做这件事，超过 0.1 就要关注，超过 0.25 基本得重训。
系数稳定性也要盯。如果某个特征的系数在两次重训之间变化超过 30%，通常意味着共线性或者数据质量问题，不是"模型学到了新规律"。
输出分布是最灵敏的指标。预测概率的均值如果在一周内偏移超过 5 个百分点，基本可以断定上游数据出问题了。这个信号比 AUC 下降出现得早得多——等 AUC 掉了再查，往往已经影响业务很久了。
最后分享一个我自己的习惯：每次重训都存下完整的特征清单、标准化参数、系数、阈值和评估指标，做成一个版本化的快照。逻辑回归的模型文件很小，存起来几乎零成本。出问题时能快速对比"上一版和这一版到底差在哪"，比事后凭记忆推测靠谱得多。我有过一次线上指标突降，靠这个快照半小时就定位到是某个上游表的口径变了，如果没有历史版本，这个排查可能得耗上一整天。
