您不必从逻辑回归模型中获取预测类别。保持预测的概率会很好。如果您确实获得了预测的类别，则不应使用该信息来做任何事情，而只能说“此观察最好归入此类别”。例如，您不应使用“准确度”/正确百分比来选择模型。

说了这些话，$.50$很少会成为分类观察的最佳截止值。为了直观地了解这种情况是如何发生的，想象一下你有$N=100$和$99$正面类别中的观察。一个简单的仅拦截模型可以很容易地拥有$49$使用时出现误报$.50$作为你的截止。另一方面，如果您只是将所有内容都称为正面，那么您将拥有$1$假阳性，但$99\%$正确的。

更一般地说，逻辑回归试图将观察结果的真实概率作为解释变量的函数拟合。它不是试图通过将预测概率集中在$.50$隔断。如果您的样品不是$50\%$积极的，没有理由$.50$将最大化正确率。

我认为，这可能是由于多种原因：

1. 您的数据中可能存在非线性，因此线性添加权重可能并不总是会产生正确的概率
2. 变量是良好预测变量和弱预测变量的混合体，因此得分约为 0.5 的总体是因为预测变量较弱或强预测变量的影响较小。当你往上走时，你会看到预测变量对他们的影响很大的人

因此，您可能不得不在某个时候使用截止值，以最大化您想要的输出，如精度、准确性等。因为大多数时候人口不是很同质。