我怀疑答案是否定的，即没有这种方法。

这是一个插图，我们根据真实标签绘制预测概率：

由于精度公式中的分母不变，因此您要做的是将水平红线向上或向下移动（高度是您感兴趣的阈值）以最大化 "线上方的“正”点加上线下方的“负”点的数量。这条最佳线的位置完全取决于两个点云的形状，即每个真实标签的预测概率的条件分布。$P+N$

您最好的选择可能是二分搜索。

也就是说，我建议你看看

• 为什么准确性不是评估分类模型的最佳衡量标准？
• 准确性是二元分类设置中不正确的评分规则吗？
• 分类概率阈值

同意@StephanKolassa，我将从算法的角度来看。如果您有数据样本，则需要根据产生的概率对样本进行排序，即然后，您真正的类标签将按 的顺序排列 然后，我们将放置一个分隔符在这个数组的某个位置；这将代表您的阈值。最多有位置可以放置它。即使你计算每个位置的准确度，也不会比排序复杂度差。在得到最大准确率后，阈值可以直接选为相邻样本的平均值。$O(n\log n)$$n$

我在 python 中实现了 Stephan Kolassa 提出的解决方案：

def opt_threshold_acc(y_true, y_pred):
    A = list(zip(y_true, y_pred))
    A = sorted(A, key=lambda x: x[1])
    total = len(A)
    tp = len([1 for x in A if x[0]==1])
    tn = 0
    th_acc = []
    for x in A:
        th = x[1]
        if x[0] == 1:
            tp -= 1
        else:
            tn += 1
        acc = (tp + tn) / total
        th_acc.append((th, acc))
    return max(th_acc, key=lambda x: x[1])