对于给出每个类的预测概率的分类算法（即 sklearn 中的随机森林），默认情况下，类以 0.5 的分数分隔。在评估指标之后，看起来会有更好的精度/召回平衡来满足我的需求，并获得更高的分数。

如果我使用 0.6 分的分割，得到 0.8 的准确率和 0.9 的召回率，我如何传达未来样本分数的整体置信度？

例如，如果样本返回的预测概率为 1，而返回的概率为 0.75。根据选择的阈值，两者都将被视为正类的一部分。然而，据估计只有 80% 的时间是正确的。最重要的是，1 和 0.75 的分数似乎表明该模型的另一个置信度。

感觉这里应该使用贝叶斯来总结分数以进行解释。但是，我不确定。那么，给定模型基于分数阈值的估计性能，并给出一些分数，你如何给出实际属于正类的样本的总体百分比？以及如何将这一点传达给非技术人员？