除了概率之外，您可以考虑的是在对概率 应用阈值后得到的混淆矩阵。例如，如果您的阈值是 0.5，并且您的模型可以完美地分类您的验证示例，那么您应该没有问题。

如果您将平均对数损失作为您的训练指标，并且正负类的权重相同，那么您的平均概率值将移向训练集中的优势侧。

总而言之，概率值本身可能并不令人担忧。更多地关注不平衡的数据特定指标，例如精度、召回（灵敏度）特异性、F1 分数或ROC 曲线下面积。

您的模型无法区分好的正面和负面类别，这不仅是因为数据分布，而且您的两个类别中的预测变量都没有那么有效地分离相同的类别。

我建议在此基础上进行一些特征工程，可能删除一些可以提高概率。

如果您能够共享数据集，那么我也可以看看它。

无论如何都要分享你的结果。